BR112019018057B1 - COMPUTER IMPLEMENTED METHOD TO SELECT LOCATIONS IN A FIELD FOR TREATMENT SAMPLING - Google Patents
COMPUTER IMPLEMENTED METHOD TO SELECT LOCATIONS IN A FIELD FOR TREATMENT SAMPLING Download PDFInfo
- Publication number
- BR112019018057B1 BR112019018057B1 BR112019018057-5A BR112019018057A BR112019018057B1 BR 112019018057 B1 BR112019018057 B1 BR 112019018057B1 BR 112019018057 A BR112019018057 A BR 112019018057A BR 112019018057 B1 BR112019018057 B1 BR 112019018057B1
- Authority
- BR
- Brazil
- Prior art keywords
- treatment
- data
- locations
- field
- computer
- Prior art date
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005070 sampling Methods 0.000 title claims description 93
- 238000013461 design Methods 0.000 claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 46
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 claims 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 116
- 229910052757 nitrogen Inorganic materials 0.000 description 58
- 230000009418 agronomic effect Effects 0.000 description 37
- 238000003860 storage Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 26
- 238000013515 script Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000013479 data entry Methods 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000004883 computer application Methods 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000003971 tillage Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000003973 irrigation Methods 0.000 description 6
- 230000002262 irrigation Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006735 deficit Effects 0.000 description 5
- 230000037406 food intake Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002917 insecticide Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000417 fungicide Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001063191 Elops affinis Species 0.000 description 1
- 235000002756 Erythrina berteroana Nutrition 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- HKPHPIREJKHECO-UHFFFAOYSA-N butachlor Chemical compound CCCCOCN(C(=O)CCl)C1=C(CC)C=CC=C1CC HKPHPIREJKHECO-UHFFFAOYSA-N 0.000 description 1
- 238000005341 cation exchange Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 239000002837 defoliant Substances 0.000 description 1
- 239000002274 desiccant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000855 fungicidal effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- -1 silt Substances 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/15—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat
- G01V3/16—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for use during transport, e.g. by a person, vehicle or boat specially adapted for use from aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
- G01V11/002—Details, e.g. power supply systems for logging instruments, transmitting or recording data, specially adapted for well logging, also if the prospecting method is irrelevant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Aviation & Aerospace Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
Abstract
um método implementado por computador é revelado. o método compreende receber, por um processador, dados de entrada, incluindo: um número t de tratamentos aplicados a um campo, um número l de localizações de tratamento para cada tratamento, uma lista de polígonos de tratamento dentro do campo e um mapa para o campo indicando um ou mais valores de um conjunto de parâmetros de projeto correspondentes a fatores ambientais para cada um de uma pluralidade de localizações no campo; calcular, pelo processador, um índice de classe de ambiente para cada um de um grupo de localizações na lista de polígonos de tratamento com base no mapa; distribuir a lista de polígonos de tratamento para os t tratamentos com base nos índices de classe de ambiente calculados; selecionar, para cada um dos t dos tratamentos, l localizações de tratamento do grupo de localizações nos polígonos de tratamento distribuídos para o tratamento; causando exibição de informações sobre as localizações de tratamento selecionadas.a computer-implemented method is revealed. The method comprises receiving, by a processor, input data, including: a number t of treatments applied to a field, a number l of treatment locations for each treatment, a list of treatment polygons within the field, and a map to the field indicating one or more values of a set of design parameters corresponding to environmental factors for each of a plurality of locations in the field; calculating, by the processor, an environment class index for each of a group of locations in the list of treatment polygons based on the map; distributing the list of treatment polygons to the t treatments based on the calculated environment class indices; selecting, for each of t of treatments, l treatment locations from the group of locations in the treatment polygons distributed for the treatment; causing display of information about selected treatment locations.
Description
[001] Uma porção da revelação deste documento de patentecontém material sujeito a proteção de direitos autorais. O proprietário dos direitos autorais não se opõe à reprodução por fax de qualquer pessoa do documento de patente ou da revelação da patente, como aparece no arquivo ou registros de patentes do Escritório de Patentes e Marcas, mas, de outra forma, reserva todos os direitos autorais ou direitos. © 2017 The Climate Corporation.[001] A portion of the disclosure in this patent document contains material subject to copyright protection. The copyright owner does not object to anyone's facsimile reproduction of the patent document or patent disclosure as it appears in the Patent and Trademark Office's patent file or records, but otherwise reserves all rights copyright or rights. © 2017 The Climate Corporation.
[002] A presente revelação se refere à amostragem agrícola e,mais especificamente, à seleção de localizações de amostragem para aumentar a cobertura do espaço de parâmetros para tratamentos agrícolas.[002] The present disclosure concerns agricultural sampling and, more specifically, the selection of sampling locations to increase the coverage of the parameter space for agricultural treatments.
[003] As abordagens descritas nesta seção são abordagens quepodem ser adotadas, mas não necessariamente abordagens que foram concebidas ou adotadas anteriormente. Portanto, a menos que seja indicado de outra forma, não se deve presumir que qualquer uma das abordagens descritas nesta seção seja qualificada como estado da técnica apenas em virtude de sua inclusão nesta seção.[003] The approaches described in this section are approaches that can be adopted, but not necessarily approaches that were conceived or adopted previously. Therefore, unless otherwise indicated, it should not be assumed that any of the approaches described in this section qualify as prior art solely by virtue of their inclusion in this section.
[004] A aplicação de um tratamento agrícola a uma fazenda ou aum campo de cultivo, como fertilizantes no solo, pode revelar a relação entre insumos agrícolas e crescimento de cultura. Especificamente, o efeito de um tratamento agrícola nas lavouras está relacionado a uma variedade de fatores ambientais, como propriedades do solo e topografia. No entanto, a aplicação de um tratamento agrícola e o estudo associado das interações entre tratamentos agrícolas e condições ambientais podem exigir um investimento substancial de tempo, trabalho ou dinheiro. Assim, às vezes é necessário amostrar o efeito de um tratamento agrícola em localizações selecionadas dentro de uma fazenda ou um campo agrícola devido aos recursos limitados. Dado o tamanho geralmente grande de um campo de cultivo e o grande número de fatores ambientais que afetam um tratamento agrícola, pode ser útil identificar localizações de amostragem apropriadas para a aplicação selecionada de um tratamento agrícola.[004] The application of an agricultural treatment to a farm or a crop field, such as fertilizers in the soil, can reveal the relationship between agricultural inputs and crop growth. Specifically, the effect of an agricultural treatment on crops is related to a variety of environmental factors, such as soil properties and topography. However, the application of an agricultural treatment and the associated study of the interactions between agricultural treatments and environmental conditions can require a substantial investment of time, labor or money. Thus, it is sometimes necessary to sample the effect of an agricultural treatment at selected locations within a farm or agricultural field due to limited resources. Given the generally large size of a crop field and the large number of environmental factors that affect an agricultural treatment, it may be useful to identify appropriate sampling locations for the selected application of an agricultural treatment.
[005] As reivindicações anexas podem servir como um sumário darevelação.[005] The appended claims may serve as a summary of the disclosure.
[006] Nos desenhos:[006] In the drawings:
[007] A Figura 1 ilustra um exemplo de sistema de computador queé configurado para executar as funções aqui descritas, mostradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar.[007] Figure 1 illustrates an example of a computer system that is configured to perform the functions described here, shown in a field environment with another device with which the system can interoperate.
[008] A Figura 2 ilustra duas visualizações de uma organizaçãológica de exemplo de conjuntos de instruções na memória principal quando uma aplicação móvel de exemplo é carregada para execução.[008] Figure 2 illustrates two views of an example organization of instruction sets in main memory when an example mobile application is loaded for execution.
[009] A Figura 3 ilustra um processo programado pelo qual osistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados agronômicos fornecidos por uma ou mais fontes de dados.[009] Figure 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using agronomic data provided by one or more data sources.
[010] A Figura 4 é um diagrama de blocos que ilustra um sistemade computador no qual uma modalidade da invenção pode ser implementada.[010] Figure 4 is a block diagram that illustrates a computer system in which an embodiment of the invention can be implemented.
[011] A Figura 5 representa um exemplo de modalidade de umavisualização da linha do tempo para entrada de dados.[011] Figure 5 represents an example of a timeline visualization modality for data entry.
[012] A Figura 6 representa um exemplo de modalidade de umavista de planilha para entrada de dados.[012] Figure 6 represents an example of a worksheet view modality for data entry.
[013] A Figura 7 ilustra um exemplo de layout de um campo.[013] Figure 7 illustrates an example of a field layout.
[014] A Figura 8 ilustra um exemplo de processo de distribuição depolígonos de tratamento para um determinado número de tratamentos.[014] Figure 8 illustrates an example of the distribution process of treatment polygons for a given number of treatments.
[015] A Figura 9 ilustra uma comparação de exemplo na atribuiçãode tratamento entre a saída do servidor de amostragem de tratamento e a saída de uma técnica de atribuição aleatória.[015] Figure 9 illustrates an example comparison in the treatment assignment between the treatment sampling server output and the output of a random assignment technique.
[016] A Figura 10 ilustra uma visão geral das localizações deamostra selecionados pelo servidor de amostragem de tratamento em relação às localizações de amostragem candidatas.[016] Figure 10 illustrates an overview of the sample locations selected by the treatment sampling server in relation to the candidate sampling locations.
[017] A Figura 11 ilustra um exemplo de processo realizado peloservidor de amostragem de tratamento de seleção de localizações para amostragem de tratamento.[017] Figure 11 illustrates an example of a process performed by the treatment sampling server from selecting locations for treatment sampling.
[018] Na descrição a seguir, para fins de explicação, váriosdetalhes específicos são estabelecidos, a fim de fornecer um entendimento completo da presente revelação. Será aparente, no entanto, que modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos conhecidos são mostrados na forma de diagrama de blocos para evitar obscurecer desnecessariamente a presente revelação. Modalidades são reveladas em seções de acordo com o seguinte esboço:1. VISÃO GERAL2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA2.1 . VISÃO GERAL ESTRUTURAL2.2 . VISÃO GERAL DE PROGRAMA DE APLICAÇÃO2.3 . INGESTÃO DE DADOS PARA O SISTEMA DE COMPUTADOR 2.4 VISÃO GERAL DE PROCESSO - TREINAMENTO DE MODELO AGRONÔMICO2.5 SELEÇÃO DE LOCAL PARA AMOSTRAGEM DE TRATAMENTO2.6 EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DE HARDWARE3. DESCRIÇÃO FUNCIONAL3.1 GERAÇÃO DE DADOS DE CAMPO3.2 DISTRIBUIÇÃO DE POLÍGONOS DE TRATAMENTO PARA TRATAMENTOS3.3 SELEÇÃO DE LOCAIS DE TRATAMENTO DENTRO DOS POLÍGONOS DE TRATAMENTO3.4 EXEMPLO DE DADOS E PROCESSOS[018] In the following description, for purposes of explanation, several specific details are set forth in order to provide a complete understanding of the present disclosure. It will be apparent, however, which modalities can be practiced without these specific details. In other cases, known structures and devices are shown in block diagram form to avoid unnecessarily obscuring the present disclosure. Modalities are revealed in sections according to the following outline:1. OVERVIEW2. EXAMPLE OF AGRICULTURAL INTELLIGENCE COMPUTER SYSTEM2.1. STRUCTURAL OVERVIEW2.2. APPLICATION PROGRAM OVERVIEW2.3. DATA INGESTION TO THE COMPUTER SYSTEM 2.4 PROCESS OVERVIEW - AGRONOMIC MODEL TRAINING 2.5 SAMPLING TREATMENT SAMPLING 2.6 EXAMPLE OF IMPLEMENTATION - HARDWARE OVERVIEW3. FUNCTIONAL DESCRIPTION3.1 GENERATION OF FIELD DATA3.2 DISTRIBUTION OF TREATMENT POLYGONS FOR TREATMENTS3.3 SELECTION OF TREATMENT LOCATIONS WITHIN TREATMENT POLYGONS3.4 EXAMPLE OF DATA AND PROCESSES
[019] Em uma modalidade, um método implementado porcomputador para selecionar localizações em um campo para amostragem de tratamento é revelado e pode ser implementado em várias modalidades usando um computador servidor, processo de servidor ou programas para outros computadores. O método compreende receber, por um processador, dados de entrada incluindo um número T de tratamentos aplicados a um campo, um número L de localizações de tratamento para cada tratamento, uma lista de polígonos de tratamento dentro do campo, e um mapa para o campo indicando um ou mais valores de um conjunto de parâmetros de projeto correspondentes a fatores ambientais para cada um de uma pluralidade de localizações no campo. O método também compreende calcular, pelo processador, um índice de classe de ambiente para cada um de um grupo de localizações na lista de polígonos de tratamento com base no mapa; distribuir a lista de polígonos de tratamento para os T tratamentos com base nos índices calculados; e selecionar, para cada um dos T de tratamentos, L localizações de tratamento do grupo de localizações nos polígonos de tratamento distribuídos para o tratamento. Além disso, o método compreende provocar exibição de informações sobre as localizações de tratamento selecionados.[019] In one embodiment, a computer-implemented method to select locations in a field for treatment sampling is disclosed and can be implemented in various embodiments using a server computer, server process, or programs for other computers. The method comprises receiving, by a processor, input data including a T number of treatments applied to a field, a L number of treatment locations for each treatment, a list of treatment polygons within the field, and a map for the field. indicating one or more values of a set of design parameters corresponding to environmental factors for each of a plurality of locations in the field. The method also comprises calculating, by the processor, an environment class index for each of a group of locations in the list of treatment polygons based on the map; distribute the list of treatment polygons to the T treatments based on the calculated indices; and selecting, for each of the T of treatments, L treatment locations from the group of locations in the treatment polygons allotted to the treatment. Furthermore, the method comprises causing display of information about selected treatment locations.
[020] Modalidades fornecem benefícios em vários contextosdiferentes. Por exemplo, para fins de desenvolvimento de modelos digitais de processos agrícolas implementados por computador, como modelos para prever os níveis de nitrogênio no solo, experimentos de tratamento altamente controlados podem ser realizados em um campo para reunir dados suficientes de tratamentos únicos e combinações de fatores ambientais. Especificamente, o processo de prever os níveis de nitrogênio no solo pode envolver a construção de um modelo inicial, a realização de testes de nitrogênio para diferentes combinações de solo, clima ou condições de gerenciamento, executar o modelo inicial nas mesmas condições, comparar o resultado do modelo com o resultado medido dos testes de nitrogênio para calibrar o modelo inicial, e gerar um modelo final para produzir previsões mais próximas dos valores medidos.[020] Modalities provide benefits in many different contexts. For example, for the purpose of developing digital models of computer-implemented agricultural processes, such as models to predict soil nitrogen levels, highly controlled treatment experiments can be performed in a field to gather sufficient data from unique treatments and combinations of factors. environmental issues. Specifically, the process of predicting soil nitrogen levels may involve building an initial model, performing nitrogen tests for different combinations of soil, climate or management conditions, running the initial model under the same conditions, comparing the result from the model with the measured result of the nitrogen tests to calibrate the initial model, and generate a final model to produce predictions closer to the measured values.
[021] Um método de amostragem de tratamento e um sistema decomputador que podem ser programados para selecionar localizações em um campo para tratamentos de amostragem são revelados. Normalmente, vários tratamentos devem ser realizados em determinadas regiões de um campo, que serão referidos a seguir como polígonos de tratamento. Por exemplo, cada polígono de tratamento pode corresponder a uma menor unidade contígua de um campo que está sujeito a práticas de gerenciamento prescritas e uniformes. Os polígonos de tratamento podem ser representados e definidos dentro de um computador usando conjuntos de dados digitais armazenados, identificando vértices e arestas que, em combinação, quando visualizadas graficamente, formam polígonos fechados. Dado um mapa geográfico que indica valores de fatores ambientais, que correspondem aos parâmetros de modelagem que afetam a saída de um modelo de um processo agrícola, para determinadas localizações dentro dos polígonos de tratamento, as modalidades podem ser programadas para identificar um grupo distinto de localizações dentro dos polígonos de tratamento que cobririam uma ampla faixa de valores de parâmetros de modelagem para cada um dos tratamentos. Os parâmetros de modelagem serão referidos a seguir como parâmetros de projeto. Exemplos de parâmetros de projeto incluem o nível de matéria orgânica do solo ("SOM"), a capacidade de troca catiônica do solo ("CEC"), o valor do pH do solo ou a elevação em relação a um nível base.[021] A treatment sampling method and a computer system that can be programmed to select locations in a field for sampling treatments are disclosed. Typically, multiple treatments must be performed in certain regions of a field, which will be referred to below as treatment polygons. For example, each treatment polygon may correspond to a smaller contiguous unit of a field that is subject to uniform, prescribed management practices. Treatment polygons can be represented and defined within a computer using stored digital datasets, identifying vertices and edges which, in combination, when viewed graphically, form closed polygons. Given a geographic map that indicates environmental factor values, which correspond to modeling parameters that affect the output of a model from an agricultural process, for certain locations within treatment polygons, modalities can be programmed to identify a distinct group of locations within the treatment polygons that would cover a wide range of modeling parameter values for each of the treatments. Modeling parameters will be referred to below as design parameters. Examples of design parameters include soil organic matter level ("SOM"), soil cation exchange capacity ("CEC"), soil pH value, or elevation relative to a baseline level.
[022] Em algumas modalidades, um sistema de computadorprogramado pode primeiro classificar a condição do solo em diferentes localizações de interesse dentro dos polígonos de tratamento. Especificamente, para cada parâmetro de projeto de interesse, o sistema de computador programado pode criar categorias com base em uma faixa global para o parâmetro de projeto e um indicador de sensibilidade da saída de modelo para alterações de unidade no parâmetro de projeto. Em seguida, para cada localização de interesse, o sistema de computador programado pode classificar de forma cruzada as categorias para todos os parâmetros de projeto e rotular a saída como um índice de classe de ambiente ou especificamente um índice de estratos com classificação cruzada (“CSI”), com cada estrato correspondendo a uma combinação única de categorias, respectivamente, para os parâmetros de projeto. Em seguida, o sistema de computador programado pode distribuir polígonos de tratamento para os tratamentos para maximizar o número de CSIs únicos presentes em cada tratamento. Em seguida, o sistema de computador programado pode selecionar localizações nos polígonos de tratamento distribuídos para cada tratamento novamente para maximizar o número de CSIs únicos presentes no tratamento. Especificamente, para cada tratamento, o sistema de computador programado pode primeiro selecionar um número de CSIs únicos presentes no tratamento, o que corresponde ao número de amostras necessárias e, em seguida, para cada um dos CSI selecionados, selecionar uma localização associada ao CSI.[022] In some embodiments, a programmed computer system can first classify the soil condition at different locations of interest within the treatment polygons. Specifically, for each design parameter of interest, the programmed computer system can create categories based on a global range for the design parameter and an indicator of the model output's sensitivity to unit changes in the design parameter. Then, for each location of interest, the programmed computer system can cross-classify the categories for all design parameters and label the output as an environment class index or specifically a cross-classified strata index (“CSI ”), with each stratum corresponding to a unique combination of categories, respectively, for the design parameters. Then, the programmed computer system can distribute treatment polygons to treatments to maximize the number of unique CSIs present in each treatment. Then, the programmed computer system can select locations in the allotted treatment polygons for each treatment again to maximize the number of unique CSIs present in the treatment. Specifically, for each treatment, the programmed computer system can first select a number of unique CSIs present in the treatment, which corresponds to the number of samples required, and then, for each of the selected CSIs, select a location associated with the CSI.
[023] A seleção de localizações para amostragem de tratamentousando essas abordagens traz muitos benefícios técnicos. Primeiro, pode ser alcançada uma exploração significativa do espaço de parâmetros e uma calibração extensiva de modelos implementados por computador digital de processos agrícolas e, portanto, modalidades da técnica revelada neste documento contribuem para a precisão da modelagem. Segundo, as abordagens permitem a seleção inteligente de pontos de amostragem para validação abrangente dos resultados da modelagem em um período de tempo limitado. Terceiro, o método programado e o sistema de computador oferecem flexibilidade no ajuste do desempenho da saída, aceitando pesos diferentes para diferentes parâmetros de projeto como dados de entrada. Quarto, as modalidades são altamente escalonáveis, pois geralmente não são limitadas pelo tamanho ou escopo dos dados de entrada, o que pode incluir o número de tratamentos de interesse, o número ou tamanho de polígonos de tratamento ou o número ou a complexidade dos parâmetros de projeto. 2. EXEMPLO DE SISTEMA DE COMPUTADOR DE INTELIGÊNCIA AGRÍCOLA[023] Selecting locations for treatment sampling using these approaches has many technical benefits. First, significant parameter space exploration and extensive calibration of digital computer-implemented models of agricultural processes can be achieved, and therefore modalities of the technique disclosed in this document contribute to modeling accuracy. Second, the approaches allow for intelligent selection of sampling points for comprehensive validation of modeling results in a limited period of time. Third, the programmed method and computer system offer flexibility in adjusting the output performance by accepting different weights for different design parameters as input data. Fourth, modalities are highly scalable as they are generally not limited by the size or scope of the input data, which can include the number of treatments of interest, the number or size of treatment polygons, or the number or complexity of the parameters of project. 2. EXAMPLE OF AGRICULTURAL INTELLIGENCE COMPUTER SYSTEM
[024] A Figura 1 ilustra um exemplo de sistema de computador queé configurado para executar as funções aqui descritas, mostradas em um ambiente de campo com outro aparelho com o qual o sistema pode interoperar. Em uma modalidade, um usuário 102 é dono, opera ou possui um dispositivo de computação gerenciador de campo 104 em uma localização de campo ou associado a uma localização de campo, como um campo destinado a atividades agrícolas ou uma localização de gerenciamento para um ou mais campos agrícolas. O dispositivo de computação gerenciador de campo 104 é programado ou configurado para fornecer dados de campo 106 a um sistema de computador de inteligência agrícola 130 através de uma ou mais redes 109.[024] Figure 1 illustrates an example of a computer system that is configured to perform the functions described here, shown in a field environment with another device with which the system can interoperate. In one embodiment, a
[025] Exemplos de dados de campo 106 incluem (a) dados deidentificação (por exemplo, área cultivada, nome do campo, identificadores de campo, identificadores geográficos, identificadores de limites, identificadores de culturas e quaisquer outros dados adequados que possam ser usados para identificar terras agrícolas, como uma unidade de terra comum (CLU), número do lote e do bloco, número de pacote, limites e coordenadas geográficas, número de série da fazenda (FSN), número da fazenda, número do trato, número do campo, seção, município e/ou faixa), (b) dados de colheita (por exemplo, tipo de cultura, variedade de culturas, rotação de culturas, se a cultura é cultivada organicamente, data de colheita, histórico real de produção (APH), rendimento esperado, rendimento, preço da cultura, receita da colheita, umidade dos grãos, prática de lavoura, e informações sobre a estação de crescimento), (c) dados de solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)), (d) dados de plantio (por exemplo, data de plantio, tipos de sementes, maturidade relativa (RM) de sementes plantadas, população de sementes), (e) dados de fertilizantes (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), (f) dados de pesticidas (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas ao uso como regulador de planta, desfolhante ou dessecante, data de aplicação, quantidade, fonte, método), (g) dados de irrigação (por exemplo, data de aplicação, quantidade, fonte, método), (h) dados climáticos (por exemplo, precipitação, taxa de precipitação, precipitação prevista, região da taxa de escoamento da água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índice de calor, ponto de orvalho, umidade, profundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações sobre espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, avião ou satélite), (j) observações de reconhecimento (fotos, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições climáticas (temperatura, precipitação (atual e ao longo do tempo), umidade do solo, estágio de crescimento das culturas, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)) e (k) solo, sementes, fenologia das culturas, relatórios de pragas e doenças, e fontes de previsões e bancos de dados.[025] Examples of field data 106 include (a) identification data (eg, acreage, field name, field identifiers, geographic identifiers, boundary identifiers, crop identifiers, and any other suitable data that may be used to identify agricultural land such as a common land unit (CLU), lot and block number, package number, geographic boundaries and coordinates, farm serial number (FSN), farm number, tract number, field number , section, county and/or range), (b) harvest data (eg crop type, crop variety, crop rotation, whether the crop is organically grown, harvest date, actual production history (APH) , expected yield, yield, crop price, harvest revenue, grain moisture, tillage practice, and growing season information), (c) soil data (eg, type, composition, pH, organic matter ( OM), exchange capacity c aionic (CEC)), (d) planting data (eg planting date, seed types, relative maturity (RM) of planted seeds, seed population), (e) fertilizer data (eg type of nutrient (nitrogen, phosphorus, potassium), type of application, date of application, quantity, source, method), (f) pesticide data (eg pesticide, herbicide, fungicide, other substance or mixture of substances intended for use as plant regulator, defoliant or desiccant, application date, quantity, source, method), (g) irrigation data (eg application date, quantity, source, method), (h) weather data (eg precipitation , precipitation rate, predicted precipitation, water runoff rate region, temperature, wind, forecast, pressure, visibility, clouds, heat index, dew point, humidity, snow depth, air quality, sunrise, sunset), (i) image data (eg images and information about light spectrum of an agricultural appliance sensor, camera, computer, smartphone, tablet, unmanned aerial vehicle, airplane or satellite), (j) reconnaissance observations (photos, videos, free-form notes, voice recordings, transcripts of voice, weather conditions (temperature, precipitation (current and over time), soil moisture, crop growth stage, wind speed, relative humidity, dew point, black layer)) and (k) soil, seeds, crop phenology, pest and disease reports, and forecast sources and databases.
[026] Um computador servidor de dados 108 é acopladocomunicativamente ao sistema de computador de inteligência agrícola 130 e é programado ou configurado para enviar dados externos 110 para o sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109. O computador de servidor de dados externos 108 pode ser de propriedade ou operado pela mesma pessoa ou entidade jurídica que o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como uma agência governamental, organização não governamental (ONG) e/ou um provedor de serviços de dados privado. Exemplos de dados externos incluem dados climáticos, dados de imagens, dados do solo ou dados estatísticos relacionados ao rendimento das culturas, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 de propriedade da mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dados que, de outra forma, poderiam ser obtidos de fontes de terceiros, como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode realmente ser incorporado dentro do sistema 130.[026] A
[027] Um aparelho agrícola 111 pode ter um ou mais sensoresremotos 112 fixos no mesmo, cujos sensores são acoplados comunicativamente direta ou indiretamente através de aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensor para o sistema de computador de inteligência agrícola 130. Exemplos de aparelhos agrícolas 111 incluem tratores, ceifadeiras, colheitadeiras, plantadeiras, caminhões, equipamentos de fertilizantes, veículos aéreos não tripulados e qualquer outro item de maquinaria ou hardware físico, tipicamente maquinaria móvel, e que pode ser usada em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados localmente em uma rede no aparelho; A rede de área de controlador (CAN) é um exemplo dessa rede que pode ser instalada em ceifadeiras ou colheitadeiras. O controlador de aplicação 114 é acoplado de forma comunicativa ao sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts para controlar um parâmetro operacional de um veículo agrícola ou implementar a partir do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para permitir comunicações do sistema de computador de inteligência agrícola 130 para o aparelho agrícola 111, como o CLIMATE FIELDVIEW DRIVE, disponível na The Climate Corporation, São Francisco, Califórnia, é usado. Os dados de sensor podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 podem não ser fixos a um aparelho agrícola 111, mas podem estar localizados remotamente no campo e podem se comunicar com a rede 109.[027] An
[028] O aparelho 111 pode compreender um computador decabine 115 que é programado com uma aplicação de cabine, que pode compreender uma versão ou variante da aplicação móvel para o dispositivo 104 que é descrita adicionalmente em outras seções neste documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, geralmente um smartphone ou computador do tamanho de um tablet, com uma tela gráfica, como uma tela colorida, que é montada dentro da cabine do operador do aparelho 111. O computador de cabine 115 pode implementar algumas ou todas as operações e funções que são descritas aqui mais adiante para o dispositivo de computador móvel 104.[028]
[029] A(s) rede(s) 109 representam amplamente qualquercombinação de uma ou mais redes de comunicação de dados, incluindo redes de área local, redes de longa distância, trabalhos de internet ou internet, usando qualquer um dos enlaces com ou sem fio, incluindo enlaces terrestres ou por satélite. As redes podem ser implementadas por qualquer meio ou mecanismo que forneça a troca de dados entre os vários elementos da Figura 1. Os vários elementos da Figura 1 também podem ter enlaces de comunicação direta (com ou sem fio). Os sensores 112, o controlador 114, o computador servidor de dados externos 108 e outros elementos do sistema compreendem uma interface compatível com a(s) rede(s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das redes, como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, como HTTP, TLS e similares.[029] The network(s) 109 broadly represent any combination of one or more data communication networks, including local area networks, wide area networks, internet or internet works, using any of the links with or without wire, including terrestrial or satellite links. Networks can be implemented by any means or mechanism that provides for the exchange of data between the various elements in Figure 1. The various elements in Figure 1 can also have direct communication links (wired or wireless).
[030] O sistema de computador de inteligência agrícola 130 éprogramado ou configurado para receber dados de campo 106 a partir do dispositivo de computação gerenciador de campo 104, dados externos 110 do computador servidor de dados externos 108 e dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ser ainda configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente, como FPGAs ou ASICs, ou qualquer combinação dos mesmos para executar tradução e armazenamento de valores de dados, construção de modelos digitais de uma ou mais culturas em um ou mais campos, geração de recomendações e notificações e geração e envio de scripts para o controlador de aplicação 114, da maneira descrita mais adiante em outras seções desta revelação.[030] Agricultural
[031] Em uma modalidade, o sistema de computador deinteligência agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerenciamento de dados 140, camada de hardware/virtualização 150 e modelo e repositório de dados de campo 160. "Camada", neste contexto, refere-se a qualquer combinação de circuitos eletrônicos de interface digital, microcontroladores, firmware, como drivers e/ou programas de computador ou outros elementos de software.[031] In one embodiment, the agricultural
[032] A camada de comunicação 132 pode ser programada ouconfigurada para executar funções de interface de entrada/saída, incluindo o envio de solicitações ao dispositivo de computação gerenciador de campo 104, computador servidor de dados externos 108 e sensor remoto 112 para dados de campo, dados externos e dados de sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para modelo e repositório de dados de campo 160 para serem armazenados como dados de campo 106.[032] Communication layer 132 can be programmed or configured to perform input/output interface functions, including sending requests to field
[033] A camada de apresentação 134 pode ser programada ouconfigurada para gerar uma interface gráfica de usuário (GUI) a ser exibida no dispositivo de computação gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 através da rede 109. A GUI pode compreender controles para a entrada de dados a serem enviados ao sistema de computador de inteligência agrícola 130, gerando solicitações de modelos e/ou recomendações, e/ou exibindo recomendações, notificações, modelos e outros dados de campo.[033] The presentation layer 134 can be programmed or configured to generate a graphical user interface (GUI) to be displayed on the field
[034] A camada de gerenciamento de dados 140 pode serprogramada ou configurada para gerenciar operações de leitura e operações de gravação envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os elementos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface do servidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Como usado aqui, o termo "banco de dados" pode se referir a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado neste documento, um banco de dados pode compreender qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivos simples, bancos de dados relacionais a objetos, bancos de dados orientados a objetos e qualquer outra coleção estruturada de registros ou dados armazenados em um sistema de computador. Exemplos de RDBMS incluem, mas não estão limitados a, bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado para ativar os sistemas e métodos aqui descritos.[034] The
[035] Quando os dados de campo 106 não são fornecidosdiretamente ao sistema de computação de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema de computação de inteligência agrícola, o usuário pode ser solicitado por uma ou mais interfaces de usuário no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) para inserir essas informações. Em uma modalidade de exemplo, o usuário pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola) e selecionar CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação acessando um mapa no dispositivo de usuário (servido pelo sistema de computador de inteligência agrícola 130) e desenhando limites do campo sobre o mapa. Esses desenhos de seleção ou mapa da CLU representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando dados de identificação de campo (fornecidos como arquivos de formato ou em um formato semelhante) da Agência de Serviços Agrícolas do Departamento de Agricultura US ou outra fonte através do dispositivo de usuário e fornecendo esses dados de identificação de campo ao sistema de computador de inteligência agrícola.[035] When
[036] Em uma modalidade de exemplo, o sistema de computadorde inteligência agrícola 130 é programado para gerar e provocar a exibição de uma interface gráfica de usuário compreendendo um gerenciador de dados para entrada de dados. Após a identificação de um ou mais campos usando os métodos descritos acima, o gerenciador de dados pode fornecer um ou mais widgets de interface de usuário gráficos que, quando selecionados, podem identificar alterações nas práticas de campo, solo, culturas, lavoura ou nutriente. O gerenciador de dados pode incluir uma exibição da linha do tempo, uma exibição de planilha e/ou um ou mais programas editáveis.[036] In an exemplary embodiment, the agricultural
[037] A Figura 5 representa um exemplo de modalidade de umavisualização da linha do tempo para entrada de dados. Utilizando a tela representada na Figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de evento. Os eventos descritos na parte superior da linha do tempo podem incluir nitrogênio, plantio, práticas e solo. Para adicionar um evento de aplicação de nitrogênio, um computador de usuário pode fornecer entradas para selecionar a guia nitrogênio. O computador de usuário pode então selecionar uma localização na linha do tempo para um campo específico, a fim de indicar um pedido de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma localização na linha do tempo para um campo específico, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador de usuário insira dados referentes à aplicação de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações relacionadas a um campo específico. Por exemplo, se um computador de usuário seleciona uma parte da linha do tempo e indica uma aplicação de nitrogênio, a sobreposição de entrada de dados pode incluir campos para inserir uma quantidade de nitrogênio aplicada, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.[037] Figure 5 represents an example of a timeline visualization modality for data entry. Using the screen represented in Figure 5, a user's computer can enter a selection of a specific field and a specific date for adding an event. Events described at the top of the timeline can include nitrogen, planting, practices, and soil. To add a nitrogen application event, a user computer can provide inputs to select the nitrogen tab. The user's computer can then select a timeline location for a specific field to indicate a request for nitrogen in the selected field. In response to receiving a selection of a timeline location for a specific field, the data manager can display a data entry overlay, allowing the user computer to enter data regarding nitrogen application, planting procedures, soil application, tillage procedures, irrigation practices or other information related to a specific field. For example, if a user's computer selects a portion of the timeline and indicates an application of nitrogen, the data entry overlay might include fields to enter an amount of nitrogen applied, an application date, a type of fertilizer used, and any other information related to nitrogen application.
[038] Em uma modalidade, o gerenciador de dados fornece umainterface para criar um ou mais programas. “Programa”, neste contexto, refere-se a um conjunto de dados referentes a aplicações de nitrogênio, procedimentos de plantio, aplicação de solo, procedimentos de lavoura, práticas de irrigação ou outras informações que possam estar relacionadas a um ou mais campos e que possam ser armazenadas em armazenamento de dados digitais para reutilização como um conjunto em outras operações. Após a criação de um programa, ele pode ser aplicado conceitualmente a um ou mais campos e as referências ao programa podem ser armazenadas no armazenamento digital em associação com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados às mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuário pode criar um programa que indica uma aplicação específica de nitrogênio e depois aplicar o programa a vários campos diferentes. Por exemplo, na vista da linha do tempo da Figura 5, as duas principais linhas de tempo têm o programa “Outono Aplicado” selecionado, que inclui um pedido de 150 lbs N/ac (168 kg N/ha) no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa específico é editado, cada campo que selecionou o programa específico é editado. Por exemplo, na Figura 5, se o programa "Outono aplicado" for editado para reduzir a aplicação de nitrogênio a 130 lbs N/ac (145,6 kg N/ha), os dois principais campos poderão ser atualizados com uma aplicação reduzida de nitrogênio com base no programa editado.[038] In one modality, the data manager provides an interface to create one or more programs. "Program" in this context refers to a set of data relating to nitrogen applications, planting procedures, soil application, tillage procedures, irrigation practices or other information that may be related to one or more fields and which can be stored in digital data storage for reuse as a pool in other operations. Once a program has been created, it can be conceptually applied to one or more fields, and references to the program can be stored in digital storage in association with data identifying the fields. So, instead of manually entering identical data related to the same nitrogen applications for several different fields, a user's computer can create a program that indicates a specific nitrogen application and then apply the program to several different fields. For example, in the timeline view in Figure 5, the two main timelines have the “Autumn Applied” program selected, which includes an order of 150 lbs N/ac (168 kg N/ha) in early April. The data manager can provide an interface to edit a program. In one modality, when a specific program is edited, each field that selected the specific program is edited. For example, in Figure 5, if the "Autumn Applied" program is edited to reduce nitrogen application to 130 lbs N/ac (145.6 kg N/ha), the two main fields can be updated with a reduced application of nitrogen based on edited program.
[039] Em uma modalidade, em resposta ao recebimento deedições em um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na Figura 5, a interface pode ser atualizada para indicar que o programa "Outono aplicado" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa "Outono aplicado" não alterariam a aplicação de nitrogênio em abril.[039] In one modality, in response to receiving edits in a field that has a selected program, the data manager removes the field's correspondence with the selected program. For example, if an application of nitrogen is added to the upper field in Figure 5, the interface can be updated to indicate that the "Autumn Applied" program is no longer being applied to the upper field. While early April nitrogen application may remain, the "Applied Autumn" program updates would not change April nitrogen application.
[040] A Figura 6 representa um exemplo de modalidade de uma vista de planilha para entrada de dados. Utilizando a tela representada na Figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir informações com relação a Nitrogênio, Plantio, Práticas e Solo, conforme representado na Figura 6. Para editar uma entrada específica, o computador de usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a Figura 6 representa uma atualização em andamento para um valor de rendimento desejado para o segundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao recebimento de uma seleção de um programa para um campo específico, o gerenciador de dados pode preencher automaticamente as entradas para o campo específico com base no programa selecionado. Como na exibição da linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado a um programa específico em resposta ao recebimento de uma atualização para o programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado no campo em resposta ao recebimento de uma edição em uma das entradas do campo.[040] Figure 6 represents an example of a spreadsheet view modality for data entry. Using the screen represented in Figure 6, a user can create and edit information for one or more fields. The data manager can include spreadsheets to enter information regarding Nitrogen, Planting, Practices and Soil, as depicted in Figure 6. To edit a specific entry, the user's computer can select the specific entry in the spreadsheet and update the values. For example, Figure 6 represents an update in progress to a desired yield value for the second field. In addition, a user's computer can select one or more fields to apply one or more programs. In response to receiving a selection from a program for a specific field, the data manager can automatically populate entries for the specific field based on the selected program. As with the timeline display, the data manager can update the entries for each field associated with a specific program in response to receiving an update for the program. In addition, the data manager can unmatch the program selected in the field in response to receiving an edit to one of the field's entries.
[041] Em uma modalidade, os dados do modelo e de campo sãoarmazenados no repositório de dados do modelo e de campo 160. Os dados do modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um conjunto eletrônico de instruções executáveis e valores de dados armazenados digitalmente, associados entre si, capazes de receber e responder a uma chamada programática ou outra chamada, invocação ou solicitação de resolução digital baseada em valores de entrada especificados, para gerar um ou mais valores de saída armazenados que podem servir como base de recomendações implementadas por computador, exibições de dados de saída ou controle da máquina, entre outras coisas. Técnicos no assunto acham conveniente expressar modelos usando equações matemáticas, mas essa forma de expressão não limita os modelos aqui revelados a conceitos abstratos; em vez disso, cada modelo aqui tem uma aplicação prática em um computador na forma de instruções executáveis armazenadas e dados que implementam o modelo usando o computador. O modelo pode incluir um modelo de eventos passados em um ou mais campos, um modelo do estado atual de um ou mais campos, e/ou um modelo de eventos previstos em um ou mais campos. Os dados de modelo e campo podem ser armazenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos simples ou planilhas ou outras formas de dados digitais armazenados.[041] In an embodiment, model and field data are stored in the model and
[042] Em algumas modalidades, o sistema de computador deinteligência agrícola 130 é programado com ou compreende um computador ou processo de servidor de amostragem de tratamento ("servidor") 170. Em uma modalidade, cada componente do servidor 170 compreende um conjunto de uma ou mais páginas da memória principal, como RAM, no sistema de computador de inteligência agrícola 130 no qual instruções executáveis foram carregadas e que, quando executadas, fazem o sistema de computação de inteligência agrícola executar as funções ou operações descritas aqui com referência a esses módulos. Por exemplo, o componente de atribuição de região 172 pode compreender um conjunto de páginas na RAM que contêm instruções que, quando executadas, provocam a execução das funções de modelagem de nutrientes aqui descritas. As instruções podem estar no código executável de máquina no conjunto de instruções de uma CPU e podem ter sido compiladas com base no código fonte escrito em JAVA, C, C ++, OBJECTIVE-C ou qualquer outra linguagem ou ambiente de programação legível por humanos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto fonte de programação. O termo "páginas" pretende se referir amplamente a qualquer região da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou da arquitetura do processador. Em outra modalidade, cada um dos componentes no servidor 170 também pode representar um ou mais arquivos ou projetos de código fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligência agrícola 130 ou um sistema de repositório separado, que quando compilado ou interpretado provoca a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computação de inteligência agrícola execute as funções ou operações descritas aqui com referência a esses módulos. Em outras palavras, a figura do desenho pode representar a maneira pela qual programadores ou desenvolvedores de software organizam e arranjam o código fonte para compilação posterior em um executável, ou interpretação em código de bytes ou equivalente, para execução pelo sistema de computador de inteligência agrícola 130.[042] In some embodiments, agricultural
[043] A camada de hardware/virtualização 150 compreende umaou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sistema de computador, como memória volátil ou não volátil, armazenamento não volátil, como disco, e dispositivos ou interfaces I/O, como ilustrado e descrito, por exemplo, em conexão com a Figura 4. A camada 150 também pode compreender instruções programadas que são configuradas para suportar virtualização, conteinerização ou outras tecnologias.[043] The hardware/
[044] Para fins de ilustrar um exemplo claro, a Figura 1 mostra umnúmero limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, modalidades podem usar milhares ou milhões de diferentes dispositivos de computação móvel 104 associados a diferentes usuários. Além disso, o sistema 130 e/ou o computador de servidor de dados externos 108 pode ser implementado usando dois ou mais processadores, núcleos, conjuntos ou instâncias de máquinas físicas ou máquinas virtuais, configuradas em uma localização discreta ou colocalizadas com outros elementos em um centro de dados, instalação de computação compartilhada ou instalação de computação em nuvem.[044] For the purpose of illustrating a clear example, Figure 1 shows a limited number of instances of certain functional elements. However, in other embodiments, there can be any number of such elements. For example, modalities can use thousands or millions of different
[045] Em uma modalidade, a implementação das funçõesdescritas aqui usando um ou mais programas de computador ou outros elementos de software carregados e executados usando um ou mais computadores de uso geral fará com que os computadores de uso geral sejam configurados como uma máquina específica ou como um computador especialmente adaptado para executar as funções descritas aqui. Além disso, cada um dos fluxogramas descritos aqui mais adiante pode servir, sozinho ou em combinação com as descrições de processos e funções aqui em prosa, como algoritmos, planos ou instruções que podem ser usados para programar um computador ou lógica para implementar as funções que são descritas. Em outras palavras, todo o texto aqui em prosa, e todas as figuras de desenho, juntos pretendem fornecer a revelação de algoritmos, planos ou instruções que são suficientes para permitir que um técnico no assunto programe um computador para executar as funções aqui descritas, em combinação com a habilidade e o conhecimento de tal técnico, dado o nível de habilidade apropriado para invenções e revelações desse tipo.[045] In one embodiment, implementing the functions described here using one or more computer programs or other software elements loaded and executed using one or more general purpose computers will cause the general purpose computers to be configured as a specific machine or as a computer specially adapted to perform the functions described here. In addition, each of the flowcharts described here below can serve, alone or in combination with the descriptions of processes and functions here in prose, as algorithms, plans, or instructions that can be used to program a computer or logic to implement the functions that are described. In other words, all the text here in prose, and all the drawing figures, together are intended to provide the revelation of algorithms, plans or instructions that are sufficient to allow a person skilled in the art to program a computer to perform the functions described here, in combination with the skill and knowledge of such a technician, given the appropriate skill level for such inventions and revelations.
[046] Em uma modalidade, o usuário 102 interage com o sistemade computador de inteligência agrícola 130 usando o dispositivo de computação gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas de aplicação ou aplicativos; o dispositivo de computação gerenciador de campo 104 também pode interoperar com o sistema de computador de inteligência agrícola de forma independente e automática sob controle do programa ou controle lógico e nem sempre é necessária a interação direta do usuário. O dispositivo de computação gerenciador de campo 104 representa amplamente um ou mais de um smartphone, PDA, dispositivo de computação de tablet, laptop, computador de mesa, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções aqui descritas. O dispositivo de computação gerenciador de campo 104 pode se comunicar através de rede usando uma aplicação móvel armazenada no dispositivo de computação gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado usando um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário específico 102 pode ser dono, operar ou possuir e usar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campo 104 de cada vez.[046] In one embodiment,
[047] A aplicação móvel pode fornecer funcionalidade do lado docliente, através da rede, a um ou mais dispositivos de computação móvel. Em uma modalidade de exemplo, o dispositivo de computação gerenciador de campo 104 pode acessar a aplicação móvel por meio de um navegador da web ou de uma aplicação ou aplicativo cliente local. O dispositivo de computação gerenciador de campo 104 pode transmitir dados para e receber dados a partir de um ou mais servidores front-end, usando protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos de aplicativos. Em uma modalidade de exemplo, os dados podem assumir a forma de solicitações e entrada de informações de usuário, como dados de campo, no dispositivo de computação móvel. Em algumas modalidades, a aplicação móvel interage com o hardware e o software de rastreamento de localização no dispositivo de computação gerenciador de campo 104, que determina a localização do dispositivo de computação gerenciador de campo 104 usando técnicas de rastreamento padrão, como multilateração de sinais de rádio, sistema de posicionamento global (GPS), Sistemas de posicionamento sem fio, ou outros métodos de posicionamento móvel. Em alguns casos, dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou conta(s) de usuário podem ser obtidos através de consultas a um sistema operacional do dispositivo ou solicitando um aplicativo no dispositivo para obter dados do sistema operacional.[047] The mobile application can provide client-side functionality, over the network, to one or more mobile computing devices. In an exemplary embodiment, the field
[048] Em uma modalidade, o dispositivo de computaçãogerenciador de campo 104 envia de dados de campo 106 para o sistema de computador de inteligência agrícola 130 compreendendo ou incluindo, mas não limitado a, valores de dados que representam um ou mais dentre: uma localização geográfica de um ou mais campos, informações de preparo do solo para o um ou mais campos, culturas plantadas em um ou mais campos e dados do solo extraídos de um ou mais campos. O dispositivo de computação gerenciador de campo 104 pode enviar dados de campo 106 em resposta à entrada de usuário a partir do usuário 102, especificando os valores de dados para o um ou mais campos. Além disso, o dispositivo de computação gerenciador de campo 104 pode enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados ficam disponíveis para o dispositivo de computação gerenciador de campo 104. Por exemplo, o dispositivo de computação gerenciador de campo 104 pode ser acoplado de forma comunicativa ao sensor remoto 112 e/ou controlador de aplicação 114. Em resposta à recepção de dados indicando que o controlador de aplicação 114 liberou água para o um ou mais campos, o dispositivo de computação gerenciador de campo 104 pode enviar dados de campo 106 para o sistema de computador de inteligência agrícola 130, indicando que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta revelação podem ser introduzidos e comunicados usando dados digitais eletrônicos que são comunicados entre dispositivos de computação usando URLs parametrizados sobre HTTP, ou outro protocolo de comunicação ou mensagem adequado.[048] In one embodiment, field
[049] Um exemplo comercial da aplicação móvel é o CLIMATEFIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia. A aplicação CLIMATE FIELDVIEW, ou outras aplicações, podem ser modificadas, estendidas, ou adaptadas para incluir recursos, funções e programação que não foram revelados antes da data de deposito desta revelação. Em uma modalidade, a aplicação móvel compreende uma plataforma de software integrada que permite ao produtor tomar decisões baseadas em fatos para sua operação, porque combina dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor deseje comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o produtor tome decisões melhores e mais informadas.[049] A commercial example of the mobile application is CLIMATEFIELDVIEW, commercially available from The Climate Corporation, San Francisco, California. The CLIMATE FIELDVIEW application, or other applications, may be modified, extended, or adapted to include features, functions, and programming that were not disclosed prior to the deposit date of this disclosure. In one modality, the mobile application comprises an integrated software platform that allows the producer to make fact-based decisions for his operation, because it combines historical data about the producer's fields with any other data the producer wishes to compare. Combinations and comparisons can be performed in real time and are based on scientific models that provide potential scenarios to allow the producer to make better and more informed decisions.
[050] A Figura 2 ilustra duas visualizações de uma organizaçãológica de exemplo de conjuntos de instruções na memória principal quando uma aplicação móvel de exemplo é carregada para execução. Na Figura 2, cada elemento nomeado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armazenamento em disco ou outro armazenamento não volátil, e as instruções programadas nessas regiões. Em uma modalidade, na vista (a), uma aplicação de computador móvel 200 compreende instruções de compartilhamento de ingestão de dados de campos de conta 202, instruções de visão geral e alerta 204, instruções de livro de mapas digitais 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções de clima 212, instruções de saúde em campo 214 e instruções de desempenho 216.[050] Figure 2 illustrates two views of an example organization of instruction sets in main memory when an example mobile application is loaded for execution. In Figure 2, each named element represents a region of one or more pages of RAM or other main memory, or one or more blocks of disk storage or other nonvolatile storage, and the instructions programmed in those regions. In one embodiment, in view (a), a
[051] Em uma modalidade, uma aplicação de computador móvel200 compreende instruções de compartilhamento de ingestão de dados de campos de conta 202 que são programadas para receber, converter e ingerir dados de campo de sistemas de terceiros por meio de upload manual ou APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas conforme plantados, resultados de testes do solo, mapas conforme aplicados e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de formas, formatos de dados nativos de terceiros e/ou exportações de sistemas de informações de gerenciamento de fazendas (FMIS), entre outros. O recebimento de dados pode ocorrer por meio de upload manual, e-mail com anexo, APIs externas que enviam dados para a aplicação móvel ou instruções que chamam APIs de sistemas externos para extrair dados para o pedido móvel. Em uma modalidade, a aplicação de computador móvel 200 compreende uma caixa de entrada de dados. Em resposta ao recebimento de uma seleção da caixa de entrada de dados, a aplicação de computador móvel 200 pode exibir uma interface gráfica de usuário para carregar manualmente arquivos de dados e importar arquivos enviados para um gerenciador de dados.[051] In one embodiment, a mobile computer application200 comprises account field data ingestion sharing instructions 202 that are programmed to receive, convert and ingest field data from third party systems via manual upload or APIs. types of data can include field boundaries, yield maps, as-planted maps, soil test results, as-applied maps and/or management zones, among others. Data formats can include shape files, third-party native data formats, and/or farm management information system (FMIS) exports, among others. Receiving data can occur through manual upload, email with attachment, external APIs that send data to the mobile application, or instructions that call APIs from external systems to extract data for the mobile order. In one embodiment, the
[052] Em uma modalidade, as instruções de livro de mapas digitais206 compreendem as camadas de dados do mapa de campo armazenadas na memória do dispositivo e são programadas com ferramentas de visualização de dados e notas de campo geoespaciais. Isso fornece aos produtores informações convenientes à mão para referência, registro e percepções visuais sobre o desempenho em campo. Em uma modalidade, a visão geral e as instruções de alerta 204 são programadas para fornecer uma visão de toda a operação do que é importante para o produtor e recomendações oportunas para agir ou se concentrar em questões específicas. Isso permite que o produtor concentre o tempo no que precisa de atenção, economizando tempo e preservando o rendimento ao longo da estação. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação híbrida e criação de scripts, incluindo a criação de scripts de taxa variável (VR), com base em modelos científicos e dados empíricos. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento através da compra, colocação e população otimizadas de sementes.[052] In one embodiment, the digital map book instructions206 comprise the layers of field map data stored in the device memory and are programmed with data visualization tools and geospatial field notes. This provides growers convenient information at hand for reference, recording and visual insights into field performance. In one modality, the overview and alert instructions 204 are programmed to provide an entire operation view of what is important to the producer and timely recommendations to act or focus on specific issues. This allows the producer to focus time on what needs attention, saving time and preserving yields throughout the season. In one modality, the seed and planting
[053] Em uma modalidade, as instruções de geração de script 205são programadas para fornecer uma interface para gerar scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos de campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, a aplicação de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, como as camadas de dados do mapa de campo criadas como parte das instruções digitais do livro de mapas 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo juntamente com um painel que identifica cada zona de solo e um nome, textura, drenagem para cada zona ou outros dados de campo. A aplicação de computador móvel 200 também pode exibir ferramentas para editar ou criar tais, como ferramentas gráficas para desenhar zonas de gerenciamento, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, a aplicação de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicação, como um formato arquivado ou compactado. Além disso, e/ou alternativamente, um script pode ser enviado diretamente ao computador de cabine 115 a partir da aplicação de computador móvel 200 e/ou carregado em um ou mais servidores de dados e armazenado para uso posterior.[053] In one embodiment, script generation instructions 205 are programmed to provide an interface for generating scripts, including variable rate (VR) fertility scripts. The interface allows growers to create scripts for field implements such as nutrient applications, planting and irrigation. For example, a planting script interface might comprise tools to identify a type of seed for planting. Upon receipt of a seed type selection,
[054] Em uma modalidade, as instruções de nitrogênio 210 sãoprogramadas para fornecer ferramentas para informar as decisões de nitrogênio, visualizando a disponibilidade de nitrogênio nas culturas. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento através da aplicação otimizada de nitrogênio durante a estação. Exemplos de funções programadas incluem a exibição de imagens, como imagens SSURGO, para permitir o desenho de zonas de aplicação e/ou imagens geradas a partir de dados do solo do subcampo, como dados obtidos de sensores, em alta resolução espacial (até 10 metros ou menos devido à sua proximidade ao solo); upload de zonas existentes definidas pelo produtor; fornecer um gráfico de aplicação e/ou um mapa para permitir o ajuste de aplicações de nitrogênio em várias zonas; saída de scripts para acionar máquinas; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para visualização de dados, entre outros. "Entrada de dados em massa", neste contexto, pode significar inserir dados uma vez e depois aplicar os mesmos dados a vários campos que foram definidos no sistema; dados de exemplo podem incluir dados de aplicação de nitrogênio que são os mesmos para muitos campos do mesmo produtor, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo na aplicação de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas para aceitar definições de programas de plantio e práticas de nitrogênio e para aceitar a entrada de usuário especificando para aplicar esses programas em vários campos. "Programas de plantio de nitrogênio", neste contexto, refere-se a um conjunto de dados armazenados e nomeados que associa: um nome, código de cores ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quantidades, método de aplicação ou incorporação, como injeção ou facão, e/ou quantidades ou taxas de aplicação para cada uma das datas, cultura ou híbrido que é o objeto de aplicação, entre outras. "Programas de práticas de nitrogênio," nesse contexto, refere-se a um conjunto de dados armazenados e nomeado que associa: um nome de práticas; uma colheita anterior; um sistema de lavoura; uma data de plantio direto; um ou mais sistemas de lavoura anteriores que foram utilizados; um ou mais indicadores do tipo de aplicação, como esterco, que foram utilizados. As instruções de nitrogênio 210 também podem ser programadas para gerar e provocar a exibição de um gráfico de nitrogênio, que indica projeções do uso de planta do nitrogênio especificado e se é previsto um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador compreendendo uma pluralidade de linhas, cada linha associada e identificando um campo; dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos especificando cada pedido e quantidade de nitrogênio em pontos correlacionados aos nomes dos meses; e indicadores numéricos e/ou coloridos de superávit ou déficit, nos quais a cor indica magnitude.[054] In one embodiment, the Nitrogen 210 instructions are programmed to provide tools to inform nitrogen decisions by visualizing nitrogen availability in crops. This allows growers to maximize yield or return on investment through the optimized application of nitrogen during the season. Examples of programmed functions include displaying images, such as SSURGO images, to allow the design of application zones and/or images generated from subfield soil data, such as sensor data, at high spatial resolution (up to 10 meters or less due to its proximity to the ground); upload of existing producer-defined zones; provide an application graph and/or a map to allow adjustment of nitrogen applications across multiple zones; script output to drive machines; tools for bulk data entry and adjustment; and/or maps for data visualization, among others. "Bulk data entry" in this context can mean entering data once and then applying the same data to multiple fields that have been defined in the system; example data may include nitrogen application data that is the same for many fields from the same producer, but this bulk data entry applies to entering any type of field data into the
[055] Em uma modalidade, o gráfico de nitrogênio pode incluir umou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, para que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 também podem ser programadas para gerar e provocar a exibição de um mapa de nitrogênio, que indica projeções do uso de planta do nitrogênio especificado e se é previsto um excedente ou déficit; em algumas modalidades, indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de nitrogênio pode exibir projeções do uso de planta do nitrogênio especificado e se um excedente ou déficit é previsto para tempos diferentes do passado e do futuro (como diariamente, semanalmente, mensalmente ou anualmente) usando indicadores numéricos e/ou coloridos de excedente ou déficit, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e práticas de nitrogênio, de modo que um usuário possa otimizar seu mapa de nitrogênio, como para obter uma quantidade preferida de excedente ao déficit. O usuário pode então usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para aplicação de outros nutrientes (como fósforo e potássio), aplicação de pesticidas e programas de irrigação.[055] In one modality, the nitrogen graph can include one or more user input features, such as dials or sliders, to dynamically change planting schedules and nitrogen practices so that a user can optimize their nitrogen graph. The user can then use their optimized nitrogen graph and related planting programs and nitrogen practices to implement one or more scripts, including variable rate (VR) fertility scripts. Nitrogen 210 instructions can also be programmed to generate and cause the display of a nitrogen map, which indicates projections of plant use of the specified nitrogen and whether a surplus or shortfall is anticipated; in some modalities, different color indicators can signal a magnitude of surplus or magnitude of deficit. The nitrogen map can display projections of plant use of the specified nitrogen and whether a surplus or shortfall is predicted for different times in the past and future (such as daily, weekly, monthly, or annually) using numerical and/or colored surplus or deficit, where the color indicates magnitude. In one modality, the nitrogen map can include one or more user input features, such as dials or sliders, to dynamically change planting schedules and nitrogen practices so that a user can optimize their nitrogen map, such as to obtain a preferred amount of surplus over deficit. The user can then use their optimized nitrogen map and related planting programs and nitrogen practices to implement one or more scripts, including variable rate (VR) fertility scripts. In other embodiments, instructions similar to the Nitrogen 210 instructions can be used for application of other nutrients (such as phosphorus and potassium), pesticide application, and irrigation programs.
[056] Em uma modalidade, as instruções meteorológicas 212 sãoprogramadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores economizem tempo e tenham uma exibição integrada eficiente em relação às decisões operacionais diárias.[056] In one modality, weather instructions 212 are programmed to provide recent field-specific weather data and forecast weather information. This allows producers to save time and have an efficient integrated view of daily operational decisions.
[057] Em uma modalidade, as instruções de saúde de campo 214são programadas para fornecer imagens oportunas de sensoriamento remoto, destacando a variação da cultura na estação e possíveis preocupações. Exemplos de funções programadas incluem verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; determinação de índices de nitrogênio com base em imagens de campo; visualização gráfica de camadas de reconhecimento, incluindo, por exemplo, aquelas relacionadas à saúde do campo e visualização e/ou compartilhamento de notas de observação; e/ou baixar imagens de satélite de várias fontes e priorizar as imagens para o produtor, entre outras.[057] In one embodiment, field health instructions 214 are programmed to provide timely remote sensing images, highlighting seasonal crop variation and potential concerns. Examples of programmed functions include cloud scanning, to identify possible clouds or cloud shadows; determination of nitrogen indices based on field images; graphic visualization of recognition layers, including, for example, those related to field health and viewing and/or sharing observation notes; and/or download satellite images from various sources and prioritize the images for the producer, among others.
[058] Em uma modalidade, as instruções de desempenho 216 sãoprogramadas para fornecer relatórios, e ferramentas de percepção usando dados na fazenda para avaliação, percepções e decisões. Isso permite que o produtor busque melhores resultados para o próximo ano por meio de conclusões baseadas em fatos sobre por que o retorno do investimento estava em níveis anteriores e uma visão dos fatores que limitam o rendimento. As instruções de desempenho 216 podem ser programadas para se comunicar através da(s) rede(s) 109 para programas de análise de back-end executados no sistema de computador de inteligência agrícola 130 e/ou computador de servidor de dados externos 108 e configurados para analisar métricas como rendimento, híbrido, população, SSURGO, testes de solo ou elevação, entre outros. Os relatórios e análises programados podem incluir análise de variabilidade da produção, comparação de produtividade e outras métricas com outros produtores com base em dados anônimos, coletados de muitos produtores, ou dados para sementes e plantio, entre outros.[058] In one modality,
[059] Aplicações com instruções configuradas dessa maneirapodem ser implementadas para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface de usuário. Por exemplo, a aplicação móvel pode ser programada para execução em tablets, smartphones ou computadores servidores que são acessados usando navegadores nos computadores clientes. Além disso, a aplicação móvel como configurada para computadores tablet ou smartphones pode fornecer uma experiência completa do aplicativo ou uma experiência do aplicativo de cabine que é adequada para os recursos de exibição e processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da Figura 2, em uma modalidade, uma aplicação de computador de cabine 220 pode compreender instruções de mapas-cabine 222, instruções de visualização remota 224, instruções de coleta e transferência de dados 226, instruções de alertas de máquina 228, instruções de transferência de script 230 e instruções de cabine de reconhecimento 232. A base de código das instruções da vista (b) pode ser a mesma da vista (a) e os executáveis que implementam o código podem ser programados para detectar o tipo de plataforma na qual estão executando e expor, por meio de uma interface gráfica de usuário, somente as funções que são apropriadas para uma plataforma de cabine ou plataforma completa. Essa abordagem permite que o sistema reconheça a experiência do usuário distintamente diferente que é apropriada para um ambiente na cabine e o ambiente tecnológico diferente da cabine. As instruções de mapas-cabine 222 podem ser programadas para fornecer visualizações de campos, fazendas ou regiões úteis para direcionar a operação da máquina. As instruções de visualização remota 224 podem ser programadas para ativar, gerenciar e fornecer visualizações da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de computação conectados ao sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, gerenciar e fornecer a transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares. As instruções de alerta da máquina 228 podem ser programadas para detectar problemas com as operações da máquina ou ferramentas associadas à cabine e gerar alertas do operador. As instruções de transferência de script 230 podem ser configuradas para transferir scripts de instruções que são configurados para direcionar as operações da máquina ou a coleta de dados. As instruções de cabine de reconhecimento 230 podem ser programadas para exibir alertas e informações com base em localização recebidos do sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo e ingerir, gerenciar e fornecer transferência da observação de reconhecimento com base na localização para o sistema 130 com base na localização do aparelho agrícola 111 ou sensores 112 no campo.[059] Applications with instructions configured in this way can be implemented for different platforms of computing devices, keeping the same general appearance of the user interface. For example, the mobile application can be programmed to run on tablets, smartphones or server computers that are accessed using browsers on client computers. In addition, the mobile application as configured for tablet computers or smartphones can provide a full app experience or a cabin app experience that is suitable for
[060] Em uma modalidade, o computador servidor de dadosexternos 108 armazena dados externos 110, incluindo dados do solo representando a composição de solo para o um ou mais campos e dados climáticos representando temperatura e precipitação no um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos passados e presentes, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computador de servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servidor pode conter dados de composição de solo, enquanto um segundo servidor pode incluir dados climáticos. Além disso, os dados de composição de solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar dados representando porcentagem de areia, lodo e argila no solo, enquanto um segundo servidor pode armazenar dados representando porcentagem de matéria orgânica (OM) no solo.[060] In one embodiment, the external
[061] Em uma modalidade, o sensor remoto 112 compreende umou mais sensores que são programados ou configurados para produzir uma ou mais observações. Sensor remoto 112 pode ser sensores aéreos, como satélites, sensores de veículos, sensores de equipamentos de plantio, sensores de lavoura, sensores de aplicação de fertilizantes ou inseticidas, sensores de colheitadeiras e qualquer outro implemento capaz de receber dados a partir de um ou mais campos. Em uma modalidade, o controlador de aplicação 114 é programado ou configurado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de lavoura, equipamento para fertilizantes ou inseticidas, equipamento para colheitadeira ou outros implementos agrícolas, como uma válvula de água. Outras modalidades podem usar qualquer combinação de sensores e controladores, dos quais os seguintes são meramente exemplos selecionados.[061] In one embodiment, the
[062] O sistema 130 pode obter ou ingerir dados sob controle dousuário 102, em massa, a partir de um grande número de produtores que contribuíram com dados para um sistema de banco de dados compartilhado. Esta forma de obtenção de dados pode ser denominada "ingestão manual de dados", quando uma ou mais operações de computador controladas pelo usuário são solicitadas ou acionadas para obter dados para uso pelo sistema 130. Como um exemplo, a aplicação CLIMATE FIELDVIEW, disponível comercialmente pela The Climate Corporation, São Francisco, Califórnia, pode ser operada para exportar dados para o sistema 130 para armazenamento no repositório 160.[062]
[063] Por exemplo, os sistemas de monitoramento de sementespodem controlar os componentes do aparelho de plantadeira e obter dados de plantio, incluindo sinais a partir de sensores de sementes por meio de um feixe de sinal que compreende uma base CAN e conexões ponto a ponto para registro e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para exibir espaçamento de sementes, população e outras informações para o usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130. Exemplos são revelados na Patente US N° 8.738.243 e Patente Pub. US 20150094916, e a presente revelação pressupõe o conhecimento dessas outras revelações de patentes.[063] For example, seed monitoring systems can control planter apparatus components and obtain planting data, including signals from seed sensors through a signal beam comprising a CAN base and point-to-point connections for recording and/or diagnosis. Seed monitoring systems can be programmed or configured to display seed spacing, population, and other information to the user via
[064] Da mesma forma, os sistemas de monitoramento derendimento podem conter sensores de rendimento para aparelhos de colheita que enviam dados de medição de rendimento para o computador de cabine 115 ou outros dispositivos dentro do sistema 130. Os sistemas de monitoramento de rendimento podem utilizar um ou mais sensores remotos 112 para obter medições de umidade de grãos em uma ceifadeira ou outra colheitadeira e transmitir essas medições ao usuário através do computador de cabine 115 ou outros dispositivos dentro do sistema 130.[064] Likewise, yield monitoring systems may contain yield sensors for harvesting devices that send yield measurement data to the
[065] Em uma modalidade, exemplos de sensores 112 que podemser usados com qualquer veículo ou aparelho em movimento do tipo descrito em qualquer outra parte deste documento incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, como sensores de velocidade de roda ou radar, acelerômetros ou giroscópios. Os sensores de posição podem incluir receptores ou transceptores GPS, ou aplicativos de mapeamento ou posição baseados em WiFi que são programados para determinar a localização com base em pontos de acesso WiFi próximos, entre outros.[065] In one embodiment, examples of
[066] Em uma modalidade, exemplos de sensores 112 que podemser usados com tratores ou outros veículos em movimento incluem sensores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com sinais de GPS ou radar, sensores de velocidade da TDF (tomada de força), sensores hidráulicos do trator configurados para detectar parâmetros hidráulicos, como pressão ou fluxo, e/ou velocidade de bomba hidráulica, sensores de velocidade das rodas ou sensores de derrapagem das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; controladores de velocidade de bombas hidráulicas; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição da roda ou da roda fornecem direção automática.[066] In one embodiment, examples of 112 sensors that can be used with tractors or other moving vehicles include engine speed sensors, fuel consumption sensors, area counters or distance counters that interact with GPS or radar signals, PTO (Power Take-Off) speed sensors, tractor hydraulic sensors configured to detect hydraulic parameters such as pressure or flow, and/or hydraulic pump speed, wheel speed sensors, or wheel slip sensors. In one embodiment, examples of
[067] Em uma modalidade, exemplos de sensores 112 que podemser usados com equipamentos de plantio de sementes, como plantadeiras, brocas ou semeadores de ar incluem sensores de sementes, que podem ser sensores ópticos, eletromagnéticos ou de impacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade de solo, como sensores de refletividade, sensores de umidade, sensores de condutividade elétrica, sensores ópticos de resíduos ou sensores de temperatura; sensores de critérios operacionais de componentes, como sensores de profundidade de plantio, sensores de pressão de cilindro de força descendente, sensores de velocidade de disco de semente, codificadores de motor de acionamento de semente, sensores de velocidade de sistema de transporte de semente ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores ópticos ou outros eletromagnéticos, ou sensores de impacto. Em uma modalidade, exemplos de controladores 114 que podem ser usados com esse equipamento de plantio de sementes incluem: controladores de dobra da barra de ferramentas, tais como controladores de válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores de válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fileira individuais ou a uma estrutura de plantadeira inteira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, como motores de acionamento de medidor de semente elétrico, motores de acionamento de medidor de semente hidráulico ou embreagens de controle de faixa; controladores de seleção híbridos, como motores de acionamento de medidores de sementes ou outros atuadores programados para permitir ou impedir seletivamente que sementes ou uma mistura de sementes e ar forneçam sementes para, ou de, medidores de sementes ou tremonhas centrais; controladores de medição, como motores de acionamento do medidor de semente elétrico ou motores de acionamento do medidor de semente hidráulico; controladores de sistema de transporte de sementes, como controladores de um motor transportador de entrega de sementes por correia; controladores de marcador, como um controlador de um atuador pneumático ou hidráulico; ou controladores de taxa de aplicação de pesticidas, como controladores de unidades de medição, controladores de tamanho ou posição de orifícios.[067] In one embodiment, examples of 112 sensors that can be used with seed planting equipment such as planters, drills or air seeders include seed sensors, which can be optical, electromagnetic or impact sensors; down force sensors such as load pins, load cells, pressure sensors; soil property sensors, such as reflectivity sensors, humidity sensors, electrical conductivity sensors, optical residue sensors, or temperature sensors; component operational criteria sensors such as planting depth sensors, down force cylinder pressure sensors, seed disk speed sensors, seed drive motor encoders, seed transport system speed sensors or sensors of vacuum level; or pesticide application sensors, such as optical or other electromagnetic sensors, or impact sensors. In one embodiment, examples of
[068] Em uma modalidade, exemplos de sensores 112 que podemser usados com equipamento de lavoura incluem sensores de posição para ferramentas como hastes ou discos; sensores de posição da ferramenta para ferramentas configuradas para detectar profundidade, ângulo de inclinação de corpos de discos (gang angle) ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamento de lavoura incluem controladores de força descendente ou controladores de posição da ferramenta, tais como controladores configurados para controlar a profundidade da ferramenta, o ângulo de inclinação de corpos inclinados ou o espaçamento lateral.[068] In one embodiment, examples of 112 sensors that can be used with tillage equipment include position sensors for tools such as shanks or discs; tool position sensors for tools configured to detect depth, angle of inclination of disc bodies (gang angle) or side spacing; down force sensors; or traction force sensors. In one embodiment, examples of
[069] Em uma modalidade, exemplos de sensores 112 que podemser utilizados em relação a aparelhos para aplicação de fertilizantes, inseticidas, fungicidas e similares, como sistemas de fertilizantes iniciantes na plantadeira, aplicadores de fertilizantes no subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios de sistema de fluidos, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas da cabeça de pulverização ou válvulas da linha de fluido estão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores de linha de suprimento seccional ou em todo o sistema ou sensores de linha de suprimento específicos da linha; ou sensores cinemáticos, como acelerômetros dispostos nas lanças do pulverizador. Em uma modalidade, exemplos de controladores 114 que podem ser utilizados com esse aparelho incluem controladores de velocidade de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou atuadores de posição, como altura da lança, profundidade do subsolador ou posição da lança.[069] In one embodiment, examples of 112 sensors that can be used in relation to apparatus for applying fertilizers, insecticides, fungicides and the like, such as planter starter fertilizer systems, underground fertilizer applicators or fertilizer sprayers, include: sensors fluid system criteria such as flow sensors or pressure sensors; sensors that indicate which spray head valves or fluid line valves are open; sensors associated with tanks, such as fill level sensors; sectional or system-wide supply line sensors or line-specific supply line sensors; or kinematic sensors such as accelerometers mounted on sprayer lances. In one embodiment, examples of
[070] Em uma modalidade, exemplos de sensores 112 que podemser usados com colheitadeiras incluem monitores de rendimento, tais como medidores de tensão da placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou trados, ou sensores ópticos ou outros sensores eletromagnéticos de altura de grão; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios de operação do cabeçote, como altura do cabeçote, tipo de cabeçote, folga da placa de plataforma, velocidade do alimentador e sensores de velocidade do cilindro; sensores de critérios operacionais do separador, como folga côncava, velocidade do rotor, folga da sapata ou sensores de folga do amortecedor; sensores de trado para posição, operação ou velocidade; ou sensores de velocidade de motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com colheitadeiras incluem controladores de critérios operacionais do cabeçote para elementos como altura do cabeçote, tipo de cabeçote, folga da placa da plataforma, velocidade do alimentador ou velocidade do cilindro; controladores de critérios operacionais do separador para recursos como folga côncava, velocidade do rotor, folga da sapata ou folga do amortecedor; ou controladores para posição, operação ou velocidade do trado.[070] In one embodiment, examples of 112 sensors that can be used with combines include yield monitors, such as impact plate strain gauges or position sensors, capacitive flow sensors, load sensors, weight sensors, or position sensors. torque associated with elevators or augers, or optical or other electromagnetic grain height sensors; grain moisture sensors such as capacitive sensors; grain loss sensors, including impact, optical or capacitive sensors; head operation criteria sensors such as head height, head type, deck plate clearance, feeder speed, and cylinder speed sensors; separator operational criteria sensors such as concave clearance, impeller speed, shoe clearance or damper clearance sensors; auger sensors for position, operation or speed; or engine speed sensors. In one embodiment, examples of
[071] Em uma modalidade, exemplos de sensores 112 que podemser usados com carrinhos de grãos incluem sensores de peso ou sensores para posição, operação ou velocidade do trado. Em uma modalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do trado.[071] In one embodiment, examples of 112 sensors that can be used with grain carts include weight sensors or sensors for auger position, operation, or speed. In one embodiment, examples of
[072] Em uma modalidade, exemplos de sensores 112 econtroladores 114 podem ser instalados em aparelhos de veículo aéreo não tripulado (UAV) ou "drones". Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do espectro eletromagnético, incluindo luz visível, infravermelho, ultravioleta, infravermelho próximo (NIR) e similares; acelerômetros; altímetros; sensores de temperatura; sensores de umidade; sensores de tubo de Pitot ou outros sensores de velocidade do ar ou velocidade do vento; sensores de vida útil da bateria; emissores de radar e aparelhos de detecção de energia por radar refletido. Tais controladores podem incluir aparelhos de orientação ou controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter dados a partir de, gerenciar e configurar qualquer um dos sensores anteriores. Exemplos são revelados no Pedido de Patente US N° 14/831.165 e a presente revelação pressupõe o conhecimento dessa outra revelação de patente.[072] In one embodiment, examples of
[073] Em uma modalidade, os sensores 112 e controladores 114podem ser afixados ao aparelho de amostragem e medição de solo que é configurado ou programado para amostrar o solo e executar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho revelado na Patente US N°. 8.767.194 e Patente US N° 8.712.148 pode ser usada, e a presente revelação pressupõe conhecimento dessas revelações de patentes.[073] In one embodiment,
[074] Em uma modalidade, os sensores 112 e controladores 114podem compreender dispositivos climáticos para monitorar as condições climáticas dos campos. Por exemplo, o aparelho revelado no Pedido de Patente Provisório US N°. 62/154.207, depositado em 29 de abril de 2015, Pedido de Patente Provisório US N°. 62/175.160,depositado em 12 de junho de 2015, Pedido de Patente Provisório US N°. 62/198.060, depositado em 28 de julho de 2015, e o Pedido de Patente Provisório N° 62/220.852, depositado em 18 de setembro de 2015, podem ser utilizados, e a presente revelação pressupõe o conhecimento dessas revelações de patentes.[074] In one embodiment,
[075] Em uma modalidade, o sistema de computador deinteligência agrícola 130 é programado ou configurado para criar um modelo agronômico. Nesse contexto, um modelo agronômico é uma estrutura de dados em memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, como dados de identificação e dados de colheita para um ou mais campos. O modelo agronômico também pode compreender propriedades agronômicas calculadas que descrevem condições que podem afetar o crescimento de uma ou mais culturas em um campo, ou propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode compreender recomendações baseadas em fatores agronômicos, como recomendações de culturas, recomendações de irrigação, recomendações de plantio e recomendações de colheita. Os fatores agronômicos também podem ser usados para estimar um ou mais resultados relacionados à cultura, como rendimento agronômico. O rendimento agronômico de uma cultura é uma estimativa da quantidade da cultura que é produzida ou, em alguns exemplos, a receita ou o lucro obtido com a cultura produzida.[075] In one embodiment, the agricultural
[076] Em uma modalidade, o sistema de computador de inteligênciaagrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atualmente recebida e às informações de colheita para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo processados anteriormente, incluindo, entre outros, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado de forma cruzada para garantir a precisão do modelo. A validação cruzada pode incluir comparação com verificação em campo que compara resultados previstos com resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor que fornece dados climáticos na mesma localização ou nas proximidades ou uma estimativa do teor de nitrogênio na medição do solo da amostra.[076] In one embodiment, the agricultural
[077] A Figura 3 ilustra um processo programado pelo qual osistema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados usando dados de campo fornecidos por uma ou mais fontes de dados. A Figura 3 pode servir como um algoritmo ou instruções para programar os elementos funcionais do sistema de computador de inteligência agrícola 130 para executar as operações que são agora descritas.[077] Figure 3 illustrates a programmed process by which the agricultural intelligence computer system generates one or more preconfigured agronomic models using field data provided by one or more data sources. Figure 3 can serve as an algorithm or instructions for programming the functional elements of agricultural
[078] No bloco 305, o sistema de computador de inteligênciaagrícola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos a partir de uma ou mais fontes de dados podem ser pré-processados com a finalidade de remover o ruído e os efeitos de distorção nos dados agronômicos, incluindo valores extremos medidos que influenciam os valores de dados de campo recebidos. Modalidades de pré- processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados a valores de dados extremos, pontos de dados medidos específicos que são conhecidos por distorcer desnecessariamente outros valores de dados, técnicas de suavização de dados usadas para remover ou reduzir efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas.[078] At block 305, agricultural
[079] No bloco 310, o sistema de computador de inteligênciaagrícola 130 é configurado ou programado para executar a seleção de subconjunto de dados usando os dados de campo pré-processados para identificar conjuntos de dados úteis para a geração inicial de modelo agronômico. O sistema de computador de inteligência agrícola 130 pode implementar técnicas de seleção de subconjunto de dados, incluindo, mas não limitado a, um método de algoritmo genético, um método de todos os modelos de subconjuntos, um método de pesquisa sequencial, um método de regressão por etapas, um método de otimização de enxame de partículas, e um método de otimização de colônia de formigas. Por exemplo, uma técnica de seleção de algoritmo genético usa um algoritmo de busca heurística adaptável, com base nos princípios evolutivos da seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.[079] In
[080] No bloco 315, o sistema de computador de inteligênciaagrícola 130 é configurado ou programado para implementar a avaliação de conjunto de dados de campo. Em uma modalidade, um conjunto de dados de campo específico é avaliado através da criação de um modelo agronômico e do uso de limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados usando técnicas de validação cruzada, incluindo, mas não se limitando a, raiz quadrada do erro quadrático médio da validação cruzada (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, o RMSECV pode validar de forma cruzada modelos agronômicos comparando os valores de propriedades agronômicas previstos criados pelo modelo agronômico com os valores históricos de propriedades agronômicas coletados e analisados. Em umamodalidade, a lógica de avaliação do conjunto de dados agronômicos é usada como um loop de feedback, onde conjuntos de dadosagronômicos que não atendem aos limites de qualidade configurados são usados durante as etapas futuras de seleção de subconjuntos de dados (bloco 310).[080] In block 315, the agricultural
[081] No bloco 320, o sistema de computador de inteligênciaagrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, a criação de modelo agronômico pode implementar técnicas de regressão multivariada para criar modelos de dados agronômicos pré-configurados.[081] In block 320, the agricultural
[082] No bloco 325, o sistema de computador de inteligênciaagrícola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para futura avaliação de dados de campo.[082] In block 325, the agricultural
[083] Em algumas modalidades, o servidor 170 compreende umcomponente de atribuição de região 172, um módulo de seleção de localização 174 e uma interface de cliente 176. Em algumas modalidades, o componente de preparação de dados de campo 178 é programado para preparar dados que descrevem condições agrícolas em localizações de interesse dentro de um campo. Os dados podem incluir dados mensuráveis, como o nível SOM ou o valor do pH do solo, e dados derivados, como CSIs. O componente de atribuição de região 172 é programado para atribuir tratamentos conhecidos aos polígonos de tratamento para maximizar a cobertura dos valores dos parâmetros de projeto para cada um dos tratamentos conhecidos nos polígonos de tratamento. O módulo de seleção de localização 174 é programado para selecionar localizações nos polígonos de tratamento aos quais um tratamento conhecido foi atribuído para maximizar a cobertura dos valores dos parâmetros de projeto para o tratamento conhecido nas localizações selecionadas. A interface do cliente 176 é programada para se comunicar com um computador cliente, como o dispositivo de computação gerenciador de campo 104 ou o computador de cabine 115, através de uma rede de comunicação. A comunicação pode incluir o recebimento de dados de entrada, como definições de polígonos de tratamento ou um número desejado de amostras para cada tratamento, e transmissão de dados de saída, como informações sobre localizações selecionadas para amostragem de tratamento.[083] In some embodiments, the
[084] A Figura 1 ilustra apenas exemplos e o sistema de computadorde inteligência agrícola 130 e o computador cliente podem compreender menos ou mais componentes funcionais ou de armazenamento. Cada um dos componentes funcionais pode ser implementado como componentes de software, componentes de hardware de uso geral ou específico, componentes de firmware ou qualquer combinação dos mesmos. Um componente de armazenamento pode ser implementado usando qualquer um dos bancos de dados relacionais, bancos de dados de objetos, sistemas de arquivos simples ou armazenamentos JSON. Um componente de armazenamento pode ser conectado aos componentes funcionais localmente ou através das redes usando chamadas programa- ticas, recursos de chamada de procedimento remoto (RPC) ou um barramento de mensagens. Um componente pode ou não ser independente. Dependendo de considerações específicas da implemen-tação ou outras considerações, os componentes podem ser centralizados ou distribuídos funcional ou fisicamente. Alguns dos componentes que residem no servidor nesses exemplos podem residir em um computador cliente e vice-versa.[084] Figure 1 illustrates only examples and the agricultural
[085] De acordo com uma modalidade, as técnicas descritas nestedocumento são implementadas por um ou mais dispositivos de computação para fins especiais. Os dispositivos de computação para fins especiais podem ser conectados para executar as técnicas, ou podem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados para aplicações específicas (ASICs) ou matrizes de portas programáveis em campo (FPGAs) que são programadas persistentemente para executar as técnicas, ou pode incluir um ou mais processadores de hardware de uso geral programados para executar as técnicas de acordo com as instruções do programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins especiais também podem combinar lógica cabeada personalizada, ASICs ou FPGAs com programação personalizada para realizar as técnicas. Os dispositivos de computação para fins especiais podem ser sistemas de computadores de mesa, sistemas de computadores portáteis, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica cabeada e/ou de programa para implementar as técnicas.[085] According to a modality, the techniques described in this document are implemented by one or more computing devices for special purposes. Special purpose computing devices can be connected to perform the techniques, or can include digital electronic devices such as one or more application-specific integrated circuits (ASICs) or field-programmable gate arrays (FPGAs) that are persistently programmed to perform the techniques, or may include one or more general purpose hardware processors programmed to perform the techniques in accordance with the program's instructions in firmware, memory, other storage, or a combination. These special purpose computing devices can also combine custom wired logic, ASICs or FPGAs with custom programming to perform the techniques. Special purpose computing devices may be desktop computer systems, handheld computer systems, handheld devices, network devices, or any other device that incorporates wired and/or program logic to implement the techniques.
[086] Por exemplo, a Figura 4 é um diagrama de blocos que ilustraum sistema de computador 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para a comunicação de informações, e um processador de hardware 404 acoplado ao barramento 402 para o processamento de informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.[086] For example, Figure 4 is a block diagram illustrating a
[087] O sistema de computador 400 também inclui uma memóriaprincipal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em meio de armazenamento não transitório acessível ao processador 404, tornam o sistema de computador 400 em uma máquina para fins especiais que é personalizada para executar as operações especificadas nas instruções.[087]
[088] O sistema de computador 400 inclui ainda uma memóriasomente leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações estáticas e instruções para o processador 404. Um dispositivo de armazenamento 410, como um disco magnético, disco óptico ou unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.[088]
[089] O sistema de computador 400 pode ser acoplado através debarramento 402 a uma tela 412, como um tubo de raios catódicos (CRT), para exibir informações a um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar informações e seleções de comando ao processador 404. Outro tipo de dispositivo de entrada de usuário é o controle do cursor 416, como mouse, bola de comando ou teclas de direção do cursor para comunicar informações de direção e seleções de comando ao processador 404 e para controlar o movimento do cursor na tela 412. Esse dispositivo de entrada normalmente possui dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especificar posições em um plano.[089]
[090] O sistema de computador 400 pode implementar as técnicasdescritas neste documento usando lógica de conexão personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, faz com que ou, programa para que, o sistema de computador 400 seja uma máquina para fins especiais. De acordo com uma modalidade, as técnicas aqui apresentadas são realizadas pelo sistema de computador 400 em resposta ao processador 404 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, como o dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 execute as etapas do processo aqui descritas. Em modalidades alternativas, o circuito com fio pode ser usado no lugar ou em combinação com as instruções do software.[090]
[091] O termo "meio de armazenamento", conforme usado aqui,refere-se a qualquer meio não transitório que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Tais meios de armazenamento podem compreender meios não voláteis e/ou meios voláteis. O meio não volátil inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. O meio volátil inclui memória dinâmica, como a memória principal 406. As formas comuns de meio de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio magnético de armazenamento de dados, um CD-ROM, qualquer outro meio óptico de armazenamento de dados, qualquer meio físico com padrões de furos, RAM, PROM e EPROM, FLASH-EPROM, NVRAM, qualquer outro chip ou cartucho de memória.[091] The term "storage medium", as used herein, refers to any non-transient medium that stores data and/or instructions that cause a machine to operate in a specific manner. Such storage media may comprise non-volatile media and/or volatile media. Non-volatile media include, for example, optical disks, magnetic disks, or solid state drives, such as
[092] O meio de armazenamento é distinto, mas pode ser usadoem conjunto com um meio de transmissão. O meio de transmissão participa da transferência de informações entre os meios de armazenamento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fios de cobre e fibras ópticas, incluindo os fios que compreendem o barramento 402. Os meios de transmissão também podem assumir a forma de ondas acústicas ou de luz, como as geradas durante a comunicação de dados por ondas de rádio e infravermelho.[092] The storage medium is distinct but can be used in conjunction with a transmission medium. The transmission medium participates in the transfer of information between the storage media. For example, the transmission medium includes coaxial cables, copper wires and optical fibers, including the wires comprising the
[093] Várias formas de meios podem estar envolvidas notransporte de uma ou mais sequências de uma ou mais instruções para o processador 404 para execução. Por exemplo, as instruções podem inicialmente ser transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções na memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema de computador 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelho para converter os dados em um sinal de infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal de infravermelho e o circuito apropriado pode colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, a partir da qual o processador 404 recupera e executa as instruções. As instruções recebidas pela memória principal 406 podem opcionalmente ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.[093] Various forms of media may be involved in transporting one or more sequences of one or more instructions to the 404 processor for execution. For example, instructions may initially be transported on a remote computer's magnetic disk or solid state drive. The remote computer can load the instructions into dynamic memory and send the instructions over a phone line using a modem. A local modem for
[094] O sistema de computador 400 também inclui uma interfacede comunicação 418 acoplada ao barramento 402. A interface de comunicação 418 fornece um acoplamento de comunicação de dados bidirecional a um enlace de rede 420 que está conectado a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser um cartão de rede digital de serviços integrados (ISDN), modem a cabo, modem por satélite ou um modem para fornecer uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede de área local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer uma dessas implementações, a interface de comunicação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando vários tipos de informação.[094]
[095] O enlace de rede 420 normalmente fornece comunicação dedados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 420 pode fornecer uma conexão através da rede local 422 a um computador hospedeiro 424 ou a um equipamento de dados operado por um provedor de serviços de Internet (ISP) 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados por meio da rede mundial de comunicação de dados por pacotes, agora conhecida como "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das várias redes e os sinais no enlace de rede 420 e através da interface de comunicação 418, que transportam os dados digitais para e a partir do sistema de computador 400, são exemplos de formas de meio de transmissão.[095] Network link 420 typically provides data communication over one or more networks to other data devices. For example,
[096] O sistema de computador 400 pode enviar mensagens ereceber dados, incluindo código de programa, através da(s) rede(s), enlace de rede 420 e interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicação através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.[096]
[097] O código recebido pode ser executado pelo processador 404à medida que é recebido e/ou armazenado no dispositivo de armazenamento 410, ou outro armazenamento não volátil para execução posterior.[097] Received code may be executed by
[098] Em algumas modalidades, o servidor de amostragem detratamento 170 é programado ou configurado com estruturas de dados e/ou registros de banco de dados que são organizados para receber um ou mais dos seguintes itens como dados de entrada: um número de tratamentos desejados, um número de amostras para cada tratamento, uma lista de polígonos de tratamento, uma lista de parâmetros de projeto com suas faixas globais e sensibilidades relativas, várias categorias nas quais o alcance global de um dos parâmetros de projeto pode ser dividido, um mapa que inclui valores de parâmetros de projeto associados a uma lista de localizações, uma largura de uma área de reserva em torno de cada polígono de tratamento e uma distância mínima entre pontos de amostragem adjacentes.[098] In some embodiments, the
[099] Em algumas modalidades, o servidor 170 é programado paraproduzir um ou mais dos seguintes itens como dados de saída: uma lista de atribuições de tratamento para os polígonos de tratamento, um conjunto de localizações de amostragem e um conjunto de probabilidades de amostragem calculadas para as localizações de amostragem atribuídas ao mesmo tratamento.[099] In some embodiments,
[0100] A Figura 7 ilustra um exemplo de layout de um campo. Emalgumas modalidades, o campo 708 pode compreender um número de polígonos de tratamento, como o polígono de tratamento 702. O campo pode conter uma área de reserva no nível de campo 704, onde uma plantadeira ou outra máquina faz uma curva. O tráfego frequente torna a reserva em nível de campo 704 inadequada para a coleta de dados. Cada polígono de tratamento também pode conter uma área de reserva regional, como a área periférica 706. Uma área de reserva regional geralmente identifica os lados de um polígono de tratamento que podem ser contaminados por tratamentos em polígonos de tratamento vizinhos ou geralmente podem ser reservados para experiências específicas de produtores, como taxas de semeadura ajustadas. Portanto, uma área de reserva regional geralmente não é adequada para amostragem sistemática. Dada uma lista de polígonos de tratamento que não se sobrepõem à área de reserva no nível de campo 704 e à largura da área de reserva regional para cada polígono de tratamento, o servidor pode ser programado para refinar cada polígono de tratamento removendo a área de reserva regional de consideração. A largura de uma área de reserva regional pode variar entre diferentes polígonos de tratamento ou mesmo entre as diferentes extremidades de um único polígono de tratamento.[0100] Figure 7 illustrates an example of a field layout. In some embodiments,
[0101] Em algumas modalidades, o servidor 170 é programado paradefinir uma área de amostragem no campo e delineia as áreas de amostragem dentro de cada polígono de tratamento, como as áreas de amostragem 710. O tamanho ou forma de uma área de amostragem pode ser determinado com base em como uma amostra de solo é coletada ou como um tratamento de solo é aplicado. Por exemplo, uma amostra de solo geralmente não é coletada em um ponto, mas ao misturar núcleos obtidos a partir de uma área de amostra circular. O raio dessa área de amostra circular pode ditar o tamanho de uma área de amostragem, que por sua vez determina a distância entre duas localizações de amostragem. Por exemplo, o tamanho de uma área de amostragem pode ser definido como maior que substancialmente um ou mais de uma dessas áreas de amostra circular.[0101] In some embodiments,
[0102] Em algumas modalidades, um determinado mapa podeincluir nenhum conjunto de valores de parâmetros de projeto para uma área de amostragem delineada (uma "área de amostragem não coberta") ou pelo menos um conjunto de valores de parâmetros de projeto para uma área de amostragem delineada (uma "área de amostragem coberta”). Quando mais de um conjunto de valores de parâmetros de projeto estão disponíveis para uma área de amostragem, o servidor pode ser programado para determinar um conjunto de valores de parâmetros de projeto a partir de uma seleção ou agregação de mais de um conjunto de valores de parâmetros de projeto. Para uma área de amostragem não coberta, o servidor pode ser programado para determinar um conjunto de valores de parâmetros de projeto com base nos conjuntos de valores de parâmetros de projeto incluídos no mapa ou previamente determinados. Por exemplo, a determinação pode ser uma seleção do conjunto de valores de parâmetros de projeto para a área de amostragem coberta mais próxima. Quando a faixa global de um parâmetro de projeto é contínua, a determinação pode ser uma interpolação ou extrapolação dos conjuntos de valores de parâmetros de projeto para áreas de amostragem próximas. Uma área de amostragem para a qual um conjunto de valores de parâmetros de projeto é incluído no mapa ou determinado pelo servidor será referido a seguir como localização de amostragem candidata.[0102] In some embodiments, a given map may include either no set of design parameter values for a delineated sampling area (an "uncovered sampling area") or at least one set of design parameter values for a delineated sampling area. delineated sampling (a "covered sampling area") When more than one set of design parameter values are available for a sampling area, the server can be programmed to determine a set of design parameter values from a selecting or aggregating more than one set of design parameter values For an uncovered sampling area, the server can be programmed to determine a set of design parameter values based on the sets of design parameter values included in the map or previously determined. For example, the determination can be a selection of the set of design parameter values for the sampling area to cover is closer. When the global range of a design parameter is continuous, the determination can be an interpolation or extrapolation of the design parameter value sets to nearby sampling areas. A sampling area for which a set of design parameter values is mapped or determined by the server will be referred to below as a candidate sampling location.
[0103] Em algumas modalidades, o servidor 170 é programado paracalcular um CSI para cada localização de amostragem candidata. Dada uma lista de parâmetros de projeto com suas faixas globais e sensibilidades relativas, bem como várias categorias nas quais a faixa global de um dos parâmetros de projeto pode ser dividida, o servidor é programado para criar vários estratos sobre a combinação de parâmetros de projeto. O servidor é configurado para determinar primeiro um número de categorias nas quais a faixa global pode ser dividida para cada parâmetro de projeto com valores contínuos. Com o número de categorias para um primeiro parâmetro de projeto disponível, o servidor é programado para calcular o número de categorias para um segundo parâmetro de projeto com base nas sensibilidades relativas dos dois parâmetros de projeto, de modo que uma sensibilidade mais alta leve a um número maior de categorias. Por exemplo, a lista de parâmetros de projeto pode incluir o nível SOM e o valor do pH do solo. Quando o número de categorias para o nível SOM é 20 e as sensibilidades relativas do nível SOM e do valor do pH do solo são respectivamente 1 e 0,32, o número de categorias para o valor do pH do solo pode ser definido como 20*0,32 ou aproximadamente 7.[0103] In some embodiments, the
[0104] Em algumas modalidades, o servidor 170 é configurado paradistribuir uniformemente os valores de um parâmetro de projeto em sua faixa global para o número determinado de categorias. Por exemplo, a faixa global para o nível SOM pode estar entre 0% e 10%, e a faixa global para o valor do pH do solo pode ser de 3 a 9, e uma atribuição uniforme em 7 categorias resultaria na primeira categoria, cobrindo 3 a, e incluindo, 4, a segunda categoria abrange mais de 4 e 5, e assim por diante. Quando todas as faixas globais foram divididas em categorias, o servidor é configurado para formar um estrato de cada combinação de categorias, uma categoria para cada parâmetro de projeto, com o número total de estratos sendo o produto do número de categorias para todos os parâmetros de projeto.[0104] In some embodiments, the
[0105] Em algumas modalidades, o servidor 170 é programado paraprojetar o CSI para cada localização de amostragem candidata como a combinação de índices de categoria definidos pelo conjunto de valores de parâmetros de projeto para a localização de amostragem candidata. Por exemplo, quando o nível SOM para uma localização de amostragem candidata é de 0,8%, o índice de categoria para o nível SOM para essa localização de amostragem candidata pode ser de 2 a 20 índices de 1 a 20. Da mesma forma, quando o valor do pH do solo para a localização de amostragem candidata for 5,5, o índice de categoria para o valor do pH do solo para esta localização de amostragem candidata pode ser de 3 a 7 índices de 1 a 7. Assim, o CSI para esta localização de amostragem candidata pode ser representado como SOM2pH3. Geralmente, quanto maior o número de CSIs únicos para as localizações de amostragem candidatas em um campo, mais variável o campo é considerado.[0105] In some embodiments, the
[0106] Em algumas modalidades, o servidor 170 pode ser configurado para assumir o número de categorias para mais de um parâmetro de projeto como dados de entrada. Em vez de sensibilidades relativas, o servidor pode ser configurado para usar outros indicadores relativos para determinar o número de categorias, como valores de importância relativa. O servidor pode ser ainda configurado para determinar o número de categorias ou atribuir os valores na faixa global a um número determinado de categorias para um parâmetro de projeto com base na faixa global do parâmetro de projeto ou na distribuição de valores na faixa global. Como um exemplo, o servidor pode ser configurado para calcular um histograma para os valores e definir o escopo de cada categoria com base em um limite de tamanho de categoria. Como outro exemplo, o servidor pode ser configurado para classificar a faixa global em faixas locais dos respectivos valores de significância e atribuir os valores em faixas locais mais significativas em mais categorias. Um valor de significância pode refletir um grau de correlação com outro parâmetro de projeto, por exemplo. Além disso, o número de categorias para diferentes parâmetros de projeto e, finalmente, o número de estratos possíveis pode ser determinado com base no número determinado de localizações de amostragem. Pode ser desejável que o número de estratos possíveis esteja próximo ao número determinado de localizações de amostragem, por exemplo.[0106] In some embodiments,
[0107] A Figura 8 ilustra um exemplo de processo de distribuição depolígonos de tratamento para um determinado número de tratamentos. Em algumas modalidades, o servidor 170 é programado para distribuir os polígonos de tratamento para o número determinado de tratamentos, ou em outras palavras para atribuir um dos tratamentos a cada um dos polígonos de tratamento. Inicialmente, o servidor 170 é programado para classificar os polígonos de tratamento pelo número de CSIs únicos calculados para as localizações de amostragem candidatas em cada polígono de tratamento. Na Figura 8, cada linha da tabela corresponde a um polígono de tratamento e as colunas correspondem ao índice de polígonos de tratamento, ao número de CSIs únicos associados, ao índice de linhas e à atribuição de tratamento. As linhas são classificadas em uma ordem decrescente do número de CSIs exclusivos. Na etapa 802, o servidor é programado para atribuir o número determinado de tratamentos aos polígonos de tratamento mais variados, nomeadamente aqueles associados ao maior número de CSIs exclusivos. Portanto, os quatro tratamentos fornecidos podem ser atribuídos aos quatro principais polígonos de tratamento.[0107] Figure 8 illustrates an example of the distribution process of treatment polygons for a given number of treatments. In some embodiments, the
[0108] Em algumas modalidades, a distribuição ou atribuição naprimeira rodada pode ser de natureza aleatória ou, quando os tratamentos têm valores de significância diferentes, um tratamento mais significativo pode ser atribuído a um polígono de tratamento mais variado, por exemplo. Cada tratamento também pode ser atribuído a vários polígonos de tratamento que ainda não receberam atribuições de tratamento (os "polígonos de tratamento não atribuídos") de uma só vez. Além disso, a etapa 802 pode ser repetida uma ou mais vezes nos polígonos de tratamento não atribuídos.[0108] In some modalities, the distribution or assignment in the first round can be random in nature or, when treatments have different significance values, a more significant treatment can be assigned to a more varied treatment polygon, for example. Each treatment can also be assigned to multiple treatment polygons that have not yet been assigned treatment assignments (the "unassigned treatment polygons") at once. In addition,
[0109] Em algumas modalidades, na etapa 804, o servidor 170 éprogramado para atribuir ainda mais os tratamentos aos polígonos de tratamento não atribuídos. Em algumas modalidades, a seleção de um tratamento pode ser de natureza aleatória. A seleção também pode dar prioridade a um tratamento com o menor número de CSIs únicos associados aos polígonos de tratamento aos quais o tratamento já está atribuído. Como alternativa, as atribuições podem ser realizadas em rodadas sucessivas, com cada um dos tratamentos indicados, atribuídos exatamente uma vez em cada rodada; a ordem de seleção na rodada atual pode ser o inverso da ordem de seleção na rodada anterior ou pode ser igual ou diferente da ordem de seleção na rodada anterior ou em todas as rodadas anteriores. Por exemplo, revertendo a ordem de seleção na rodada anterior, onde o quarto tratamento, o segundo tratamento, o primeiro tratamento e o terceiro tratamento foram atribuídos nessa ordem, como mostrado na Figura 8, o servidor pode ser configurado para selecionar inicialmente o terceiro tratamento na rodada atual.[0109] In some embodiments, in
[0110] Em algumas modalidades, o servidor 170 é configurado paraselecionar um dos tratamentos, identificar um polígono de tratamento não atribuído que tenha o menor número de CSIs únicos em comum com a combinação de polígonos de tratamento aos quais o tratamento selecionado já está atribuído e atribuir o tratamento selecionado ao polígono de tratamento identificado, com o objetivo de maximizar o número de CSIs únicos associados aos polígonos de tratamento aos quais cada tratamento é finalmente atribuído. No final, embora dois tratamentos não compartilhem um polígono de tratamento, dois tratamentos podem compartilhar um ou mais CSIs, pois diferentes polígonos de tratamento podem estar associados ao mesmo CSI.[0110] In some embodiments,
[0111] Em algumas modalidades, para cada tratamento, o servidor170 também pode ser configurado para identificar vários polígonos de tratamento não atribuídos que têm o menor número de CSIs únicos em comum com a combinação de polígonos de tratamento aos quais o tratamento selecionado já está atribuído e atribuir o tratamento selecionado para um dos polígonos de tratamento identificados aleatoriamente ou dois ou mais deles ao mesmo tempo. Além disso, o servidor pode ser programado para identificar um ou mais polígonos de tratamento não atribuídos associados ao maior número de CSIs únicos que são diferentes dos CSIs únicos associados à combinação de polígonos de tratamento aos quais o tratamento selecionado já está atribuído ou que possuem uma porcentagem menor de CSIs únicos em comum com a combinação de polígonos de tratamento.[0111] In some embodiments, for each treatment,
[0112] Em algumas modalidades, para cada tratamento, o servidor170 é programado para selecionar um determinado número n de localizações de amostragem das localizações de amostragem candidatas nos polígonos de tratamento aos quais o tratamento foi atribuído (os "polígonos de tratamento específicos de tratamento"), com o objetivo de maximizar o número de CSIs únicos para as localizações de amostragem selecionadas. O número dado n de localizações de amostragem pode ser menor que o número M de todos os estratos possíveis ou até o número m de estratos aos quais está associado pelo menos uma localização de amostragem candidata nos polígonos de tratamento específico do tratamento (os "estratos não vazios"). M também é igual ao número de possíveis CSIs únicos, e m também é igual ao número de CSIs únicos associados aos polígonos de tratamento específicos de tratamento. Assim, o servidor é programado para selecionar inicialmente n dos estratos não vazios. É preferível que, para um parâmetro de projeto com um valor mais alto de sensibilidade ou importância relativa, mais categorias do parâmetro de projeto sejam cobertas pelos n estratos selecionados. Por exemplo, o servidor pode ser configurado para garantir que um número maior de categorias para um parâmetro de projeto mais importante seja coberto pelos n estratos selecionados.[0112] In some embodiments, for each treatment, the
[0113] Em algumas modalidades, para cada estrato selecionado, oservidor 170 é programado para selecionar uma das localizações de amostragem candidatas nos polígonos de tratamento específicos de tratamento associados ao estrato. A seleção pode ser de natureza aleatória ou sujeita a várias restrições. Por exemplo, a prioridade pode ser dada a uma localização de amostragem candidata mais próxima do centro de um polígono de tratamento ou a uma localização de amostragem candidata com um valor de parâmetro de projeto em uma determinada categoria.[0113] In some modalities, for each selected stratum,
[0114] Em algumas modalidades, o servidor 170 é configurado paracalcular uma probabilidade de seleção para cada localização de amostragem selecionada. No caso em que, para cada tratamento, o servidor seleciona aleatoriamente n dos estratos não vazios e, em seguida, para cada estrato selecionado, o servidor seleciona aleatoriamente uma das localizações de amostragem candidatas, a probabilidade de que o ponto i seja selecionado, ou seja, a probabilidade de Ri ser igual a 1 dado o conjunto de valores dos parâmetros de projetorç, é calculado da seguinte maneira:em que Vk indica o conjunto de todos os pontos de amostragem candidatos que pertencem aos k-ésimos estratos, Nk indica o tamanho da amostra para o k-ésimo estrato ou o tamanho de Vk, e k = 1, 2, ..., M. As probabilidades de amostragem podem ser desiguais entre as localizações de amostragem candidatas.[0114] In some embodiments,
[0115] Em algumas modalidades, o servidor 170 é configurado paratransmitir informações sobre as localizações de amostragem selecionados, as atribuições de tratamento correspondentes ou as probabilidades calculadas de seleção para um dispositivo de exibição ou um computador cliente remoto. Por exemplo, para cada localização de amostragem selecionada, as informações podem incluir a coordenada geográfica, o tamanho, a identidade do polígono de tratamento anexo, a atribuição de tratamento, a probabilidade de seleção ou a distância até o limite do polígono de tratamento anexo.[0115] In some embodiments, the
[0116] Outro exemplo de aplicação das abordagens aqui paraselecionar localizações para amostragem de tratamento é dado a seguir. Neste exemplo, os tratamentos são testes de nitrogênio com quatro níveis de tratamento e para cada nível de tratamento são escolhidas oito localizações de amostragem. Os parâmetros de projeto escolhidos são o nível SOM, o CEC, o valor do pH e a elevação relativa. Suas sensibilidades relativas são 1, 0,8, 0,6 e 0,4, respectivamente. As faixas globais são de 0,5% a 8% para o nível SOM, 3 a 30 para o CEC, 4 a 8 para o valor de pH e 0 a 15 para elevação relativa. O número de tratamentos é quatro e o número de amostras para cada tratamento é oito. A distância mínima entre duas localizações de amostragem candidatas é de 6,5 metros. Um primeiro campo ("campo 11") contém 21 polígonos de tratamento e um segundo campo ("campo 6") contém 47 polígonos de tratamento. O método desta revelação é aplicado a diferentes campos separadamente.[0116] Another example of applying the approaches here to select locations for treatment sampling is given below. In this example the treatments are nitrogen tests with four treatment levels and for each treatment level eight sampling locations are chosen. The chosen design parameters are SOM level, CEC, pH value and relative elevation. Their relative sensitivities are 1, 0.8, 0.6 and 0.4, respectively. The overall ranges are 0.5% to 8% for the SOM level, 3 to 30 for the CEC, 4 to 8 for the pH value and 0 to 15 for the relative elevation. The number of treatments is four and the number of samples for each treatment is eight. The minimum distance between two candidate sampling locations is 6.5 meters. A first field ("
[0117] Primeiro, os polígonos de tratamento em um dos campos sãodistribuídos nos quatro tratamentos. A Figura 9 ilustra uma comparação de exemplo na atribuição de tratamento entre a saída do servidor de amostragem de tratamento e a saída de uma técnica de atribuição aleatória. Neste exemplo, a abordagem da presente revelação é aplicada ao campo 6. Na Figura 9, à direita da coluna do cabeçote, a primeira até a quarta coluna corresponde aos quatro tratamentos, a quinta coluna indica a média dos valores nas primeiras quatro colunas, e a sexta coluna indica a variação dos valores nas primeiras quatro colunas. Abaixo da linha de cabeçote, a primeira linha indica o número de CSIs únicos cobertos pelo servidor, a segunda linha indica o número de CSIs únicos cobertos pelo método aleatório e a terceira linha indica uma faixa para o número de CSIs únicos cobertos pelo método aleatório em 100 iterações. A tabela mostra que o servidor tende a produzir uma atribuição de tratamento que atribui CSIs únicos de maneira uniforme em diferentes tratamentos e abrange mais CSIs únicos para tratamentos individuais do que o método aleatório.[0117] First, the treatment polygons in one of the fields are distributed in the four treatments. Figure 9 illustrates an example comparison in treatment assignment between the output of the treatment sampling server and the output of a random assignment technique. In this example, the approach of the present disclosure is applied to
[0118] Em seguida, para cada um dos quatro tratamentos, oitoestratos são selecionados a partir dos estratos não vazios associados aos polígonos de tratamento específico de tratamento e, para cada um dos oito estratos selecionados, uma localização de amostragem candidata é selecionada a partir das localizações de amostragem candidatas associadas ao estrato nos polígonos de tratamento específico de tratamento. A Figura 10 ilustra uma visão geral das localizações de amostra selecionadas pelo servidor de amostragem de tratamento em relação às localizações de amostragem candidatas. Neste exemplo, as abordagens da presente revelação são aplicadas ao campo 11 e o resultado é mostrado para o nível SOM para os quatro tratamentos, respectivamente, nas Figura 10A, Figura 10B, Figura 10C, e Figura 10D. Em cada uma dessas figuras, o eixo x representa o nível SOM enquanto o eixo y representa a distribuição dos diferentes níveis SOM para cada polígono de tratamento específico de tratamento. As barras verticais correspondem às localizações de amostragem candidatas nos polígonos de tratamento específico de tratamento. Os triângulos correspondem às localizações de amostragem selecionadas, que podem aparecer menos de oito, pois algumas localizações de amostragem podem ter valores idênticos de SOM e, portanto, alguns triângulos se sobrepõem nas figuras. Essas figuras mostram que as localizações de amostragem selecionadas cobrem uma boa faixa dos níveis SOM.[0118] Then, for each of the four treatments, eight strata are selected from the non-empty strata associated with treatment-specific treatment polygons, and for each of the eight selected strata, a candidate sampling location is selected from the candidate sampling locations associated with the stratum in the treatment-specific treatment polygons. Figure 10 illustrates an overview of the sample locations selected by the treatment sampling server in relation to candidate sampling locations. In this example, the approaches of the present disclosure are applied to field 11 and the result is shown for the SOM level for the four treatments, respectively, in Figure 10A, Figure 10B, Figure 10C, and Figure 10D. In each of these figures, the x-axis represents the SOM level while the y-axis represents the distribution of different SOM levels for each treatment-specific treatment polygon. Vertical bars correspond to candidate sampling locations in the treatment-specific treatment polygons. Triangles correspond to selected sample locations, which may appear less than eight, as some sample locations may have identical SOUND values and therefore some triangles overlap in the figures. These figures show that the selected sampling locations cover a good range of SOUND levels.
[0119] A Figura 11 ilustra um exemplo de processo realizado peloservidor de amostragem de tratamento de seleção de localizações para amostragem de tratamento. Em algumas modalidades, na etapa 1102, o servidor 170 é configurado para receber dados de entrada, que podem incluir um número T de tratamentos aplicados a um campo, um número L de localizações de tratamento desejadas ou localizações de amostragem para cada tratamento, uma lista de polígonos de tratamento dentro do campo e um mapa para o campo indicando um ou mais valores de um ou mais de um conjunto de parâmetros de projeto correspondentes a fatores ambientais para uma pluralidade de localizações no campo. Um tratamento pode ser um teste de nitrogênio, e diferentes tratamentos podem corresponder à aplicação de diferentes níveis de nitrato no solo. Um parâmetro de projeto pode ser um parâmetro do solo, como um valor de pH ou um parâmetro de topografia, como uma elevação em relação a um nível base. O servidor pode ser configurado para refinar os polígonos de tratamento removendo as regiões de reserva de consideração.[0119] Figure 11 illustrates an example of a process performed by the treatment sampling server from selecting locations for treatment sampling. In some embodiments, at step 1102, the
[0120] Em algumas modalidades, o servidor 170 também pode serconfigurado para definir áreas de amostragem. O servidor pode ainda ser configurado para determinar um conjunto de valores de parâmetros de projeto para as áreas de amostragem nos polígonos de tratamento com base no mapa, aumentando a resolução do mapa por interpolação a partir desses conjuntos de valores de parâmetros de projeto, por exemplo.[0120] In some embodiments,
[0121] Em algumas modalidades, na etapa 1104, o servidor 170 éprogramado para calcular um CSI para cada um dos grupos de localizações de amostragem candidatas, a saber as áreas de amostragem nos polígonos de tratamento para as quais são determinados conjuntos de valores de parâmetros de projeto. O servidor pode ser configurado para primeiro dividir a faixa global de cada parâmetro de projeto em várias categorias. O número de categorias ou o modo de divisão pode ser determinado pela especificação de usuário ou por uma derivação dos valores fornecidos pelo usuário. Por exemplo, um usuário pode fornecer o número de categorias para o parâmetro de projeto mais sensível, ou seja, aquele cuja mudança de unidade provavelmente terá um efeito mais significativo no resultado do interesse, e sensibilidades de outros parâmetros de projeto em relação ao parâmetro de projeto mais sensível. O número de categorias para um parâmetro de projeto específico pode ser determinado ajustando o número de categorias para o parâmetro de projeto mais sensível com a sensibilidade relativa do parâmetro de projeto específico ao parâmetro de projeto mais sensível. Para cada localização de amostragem candidata, o servidor pode ser configurado para determinar em quais categorias o conjunto correspondente de valores de parâmetros de projeto pertence e identificar a combinação de categorias como o CSI, que também corresponde a um dos estratos possíveis.[0121] In some embodiments, in step 1104, the
[0122] Em algumas modalidades, na etapa 1106, o servidor 170 éprogramado para distribuir a lista de polígonos de tratamento para os T tratamentos com base nos CSIs calculados. O servidor pode ser configurado para executar a distribuição em rodadas, atribuindo em cada rodada cada um dos tratamentos ao polígono de tratamento não atribuído, com o menor número de CSIs únicos em comum com os polígonos de tratamento já distribuídos para o tratamento. O servidor pode ser configurado para executar a distribuição de outras maneiras, com o objetivo de maximizar o número de CSIs únicos associados aos polígonos de tratamento distribuídos para um único tratamento.[0122] In some embodiments, in step 1106, the
[0123] Em algumas modalidades, na etapa 1108, o servidor 170 éprogramado para selecionar, para cada um dos T tratamentos, L localizações de amostragem das localizações de amostragem candidatas nos polígonos de tratamento específicos de tratamento. O servidor pode ser configurado para selecionar primeiro aleatoriamente L estratos de todos os estratos não vazios associados aos polígonos de tratamento específicos de tratamento. Em outras palavras, o servidor pode ser configurado para primeiro selecionar aleatoriamente L CSIs únicos dentre todos os CSIs únicos associados aos polígonos de tratamento específicos de tratamento. O servidor pode ser configurado para selecionar aleatoriamente a seguir, para cada estrato selecionado, uma localização de amostragem candidata de todas as seleções de amostragem candidatas associadas ao estrato. O servidor pode ser configurado ainda mais para calcular uma probabilidade de seleção para cada uma das localizações de amostragem selecionadas.[0123] In some embodiments, in step 1108, the
[0124] Em algumas modalidades, na etapa 1110, o servidor 170 éprogramado para transmitir informações sobre cada uma das localizações de amostragem selecionadas para um dispositivo de exibição ou um computador cliente remoto. As informações podem incluir, para cada localização de amostragem selecionada, a coordenada geográfica, o tamanho, o índice do polígono de tratamento anexo, a atribuição de tratamento ou o CSI.[0124] In some embodiments, in step 1110, the
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
BR122021014810-4A BR122021014810B1 (en) | 2017-03-08 | 2018-03-06 | Computer-implemented method for selecting locations in a field for treatment sampling |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762468896P | 2017-03-08 | 2017-03-08 | |
US62/468,896 | 2017-03-08 | ||
US15/713,507 | 2017-09-22 | ||
US15/713,507 US10509872B2 (en) | 2017-03-08 | 2017-09-22 | Location selection for treatment sampling |
PCT/US2018/021180 WO2018165181A1 (en) | 2017-03-08 | 2018-03-06 | Location selection for treatment sampling |
Publications (2)
Publication Number | Publication Date |
---|---|
BR112019018057A2 BR112019018057A2 (en) | 2020-03-31 |
BR112019018057B1 true BR112019018057B1 (en) | 2021-10-26 |
Family
ID=63444797
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112019018057-5A BR112019018057B1 (en) | 2017-03-08 | 2018-03-06 | COMPUTER IMPLEMENTED METHOD TO SELECT LOCATIONS IN A FIELD FOR TREATMENT SAMPLING |
BR122021014810-4A BR122021014810B1 (en) | 2017-03-08 | 2018-03-06 | Computer-implemented method for selecting locations in a field for treatment sampling |
BR112019018015-0A BR112019018015B1 (en) | 2017-03-08 | 2018-03-08 | COMPUTER IMPLEMENTED METHOD TO SELECT SAMPLING LOCATIONS IN A FIELD AND IMPROVE GROWTH IN THE FIELD |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR122021014810-4A BR122021014810B1 (en) | 2017-03-08 | 2018-03-06 | Computer-implemented method for selecting locations in a field for treatment sampling |
BR112019018015-0A BR112019018015B1 (en) | 2017-03-08 | 2018-03-08 | COMPUTER IMPLEMENTED METHOD TO SELECT SAMPLING LOCATIONS IN A FIELD AND IMPROVE GROWTH IN THE FIELD |
Country Status (9)
Country | Link |
---|---|
US (3) | US10509872B2 (en) |
EP (2) | EP4089602A1 (en) |
AR (3) | AR111168A1 (en) |
BR (3) | BR112019018057B1 (en) |
CA (1) | CA3054065C (en) |
ES (1) | ES2961902T3 (en) |
PL (1) | PL3593130T3 (en) |
WO (2) | WO2018165181A1 (en) |
ZA (1) | ZA201906280B (en) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018049289A1 (en) | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
EP4241549A3 (en) | 2016-11-07 | 2024-03-20 | Climate LLC | Agricultural implement for soil analysis |
US10509872B2 (en) | 2017-03-08 | 2019-12-17 | The Climate Corporation | Location selection for treatment sampling |
KR102593355B1 (en) * | 2017-06-26 | 2023-10-25 | 가부시끼 가이샤 구보다 | Pavement map generation system |
CN110998642A (en) * | 2017-08-18 | 2020-04-10 | 巴斯夫农化商标有限公司 | Calibrating and optimizing predictive models using data from field trials in crop protection |
US10477756B1 (en) | 2018-01-17 | 2019-11-19 | Cibo Technologies, Inc. | Correcting agronomic data from multiple passes through a farmable region |
JP7250457B2 (en) * | 2018-08-23 | 2023-04-03 | キヤノン株式会社 | Information processing device, information processing method and program |
CN113163710B (en) * | 2018-10-24 | 2023-07-25 | 克莱米特有限责任公司 | System and method for identifying and utilizing test sites in an agricultural field |
US11346832B2 (en) | 2018-10-24 | 2022-05-31 | Climate Llc | In-ground sensor systems with modular sensors and wireless connectivity components |
US11653588B2 (en) * | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US10996656B2 (en) | 2018-11-08 | 2021-05-04 | Premier Crop Systems, LLC | System and method for aggregating test plot results based on agronomic environments |
CA3130503A1 (en) | 2019-02-21 | 2020-08-27 | The Climate Corporation | Digital modeling and tracking of agricultural fields for implementing agricultural field trials |
AT16964U1 (en) * | 2019-10-29 | 2021-01-15 | Maschinenring Agrar Concept Gmbh | Process for analyzing and / or mapping an agricultural area |
AR120806A1 (en) * | 2019-12-19 | 2022-03-16 | Basf Agro Trademarks Gmbh | COMPUTER-IMPLEMENTED METHOD OF PROVIDING TEST DESIGN AND TEST INSTRUCTION DATA FOR COMPARATIVE TESTING |
CN111148110A (en) * | 2020-03-30 | 2020-05-12 | 汉腾汽车有限公司 | Vehicle networking road side unit deployment method based on genetic ant colony hybrid algorithm |
EP4208000A1 (en) * | 2020-09-02 | 2023-07-12 | Climate LLC | Detecting contamination or feature mixing within harvest polygons at a vector level |
US12013245B2 (en) * | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
CN112801553B (en) * | 2021-03-31 | 2021-06-22 | 江西省生态环境科学研究与规划院 | Construction land full life cycle use decision making system, method, device and medium |
CN113837813A (en) * | 2021-10-15 | 2021-12-24 | 浪潮云信息技术股份公司 | Business site selection recommendation method based on population library and legal population library |
CN115486247B (en) * | 2022-08-30 | 2023-08-22 | 中联智慧农业股份有限公司 | Method, storage medium and processor for determining fertilizer proportions |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK176273B1 (en) | 2004-05-10 | 2007-05-21 | Frank Poulsen | Selective treatment of plants in a row |
BRPI0806559B1 (en) | 2007-01-08 | 2018-04-10 | Precision Planting, Inc. | MONITOR SYSTEM FOR AGRICULTURAL SEED SEEDING |
US8319165B2 (en) | 2007-07-03 | 2012-11-27 | Holland Kyle H | Variable rate chemical management for agricultural landscapes |
WO2009149384A1 (en) | 2008-06-06 | 2009-12-10 | Monsanto Technology Llc | Generating agricultural information products using remote sensing |
US8477295B2 (en) | 2009-05-07 | 2013-07-02 | Solum, Inc. | Automated soil measurement device |
US8412419B1 (en) | 2009-09-17 | 2013-04-02 | Helena Chemical Company | System for mapping GIS layers |
US8521372B2 (en) | 2010-05-28 | 2013-08-27 | Agjunction Llc | System and method for collecting and processing agricultural field data |
US8855937B2 (en) * | 2010-10-25 | 2014-10-07 | Trimble Navigation Limited | Crop characteristic estimation |
US9408342B2 (en) * | 2010-10-25 | 2016-08-09 | Trimble Navigation Limited | Crop treatment compatibility |
US10115158B2 (en) * | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
US9213905B2 (en) * | 2010-10-25 | 2015-12-15 | Trimble Navigation Limited | Automatic obstacle location mapping |
US10096073B2 (en) | 2011-05-13 | 2018-10-09 | The Climate Corporation | Systems to prescribe and deliver fertilizer over agricultural fields and related methods |
US9131642B2 (en) | 2011-05-13 | 2015-09-15 | Hydrobio, Inc. | Method and system to control irrigation across large geographic areas using remote sensing, weather and field level data |
EP3259972B1 (en) | 2012-07-25 | 2021-12-08 | Precision Planting LLC | System and method for multi-row agricultural implement control and monitoring |
WO2014026183A2 (en) | 2012-08-10 | 2014-02-13 | Precision Planting Llc | Systems and methods for control, monitoring and mapping of agricultural applications |
US20160247082A1 (en) * | 2013-10-03 | 2016-08-25 | Farmers Business Network, Llc | Crop Model and Prediction Analytics System |
US10109024B2 (en) | 2014-09-05 | 2018-10-23 | The Climate Corporation | Collecting data to generate an agricultural prescription |
US20160125331A1 (en) * | 2014-10-30 | 2016-05-05 | AgriSight, Inc. | Automated agricultural activity determination system and method |
US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
EP4047366A1 (en) | 2015-01-30 | 2022-08-24 | Climate LLC | Soil quality measurement device |
US20160232621A1 (en) | 2015-02-06 | 2016-08-11 | The Climate Corporation | Methods and systems for recommending agricultural activities |
US9813512B2 (en) * | 2015-04-20 | 2017-11-07 | Agverdict, Inc. | Systems and methods for efficiently generating a geospatial data map for use in agricultural operations |
US9667710B2 (en) * | 2015-04-20 | 2017-05-30 | Agverdict, Inc. | Systems and methods for cloud-based agricultural data processing and management |
US10509872B2 (en) | 2017-03-08 | 2019-12-17 | The Climate Corporation | Location selection for treatment sampling |
-
2017
- 2017-09-22 US US15/713,507 patent/US10509872B2/en active Active
- 2017-10-10 US US15/729,549 patent/US10990716B2/en active Active
-
2018
- 2018-03-06 WO PCT/US2018/021180 patent/WO2018165181A1/en active Application Filing
- 2018-03-06 EP EP22177486.2A patent/EP4089602A1/en active Pending
- 2018-03-06 CA CA3054065A patent/CA3054065C/en active Active
- 2018-03-06 PL PL18763107.2T patent/PL3593130T3/en unknown
- 2018-03-06 BR BR112019018057-5A patent/BR112019018057B1/en active IP Right Grant
- 2018-03-06 ES ES18763107T patent/ES2961902T3/en active Active
- 2018-03-06 EP EP18763107.2A patent/EP3593130B1/en active Active
- 2018-03-06 BR BR122021014810-4A patent/BR122021014810B1/en active IP Right Grant
- 2018-03-08 AR ARP180100545A patent/AR111168A1/en active IP Right Grant
- 2018-03-08 AR ARP180100546A patent/AR111127A1/en active IP Right Grant
- 2018-03-08 WO PCT/US2018/021598 patent/WO2018165464A1/en active Application Filing
- 2018-03-08 BR BR112019018015-0A patent/BR112019018015B1/en active IP Right Grant
-
2019
- 2019-09-23 ZA ZA2019/06280A patent/ZA201906280B/en unknown
- 2019-12-13 US US16/714,567 patent/US10963606B2/en active Active
-
2021
- 2021-06-25 AR ARP210101778A patent/AR122765A2/en unknown
Also Published As
Publication number | Publication date |
---|---|
AR111168A1 (en) | 2019-06-12 |
ES2961902T3 (en) | 2024-03-14 |
US20180260504A1 (en) | 2018-09-13 |
AR111127A1 (en) | 2019-06-05 |
EP4089602A1 (en) | 2022-11-16 |
CA3054065A1 (en) | 2018-09-13 |
WO2018165464A1 (en) | 2018-09-13 |
WO2018165181A1 (en) | 2018-09-13 |
BR112019018015B1 (en) | 2021-12-14 |
US20180259674A1 (en) | 2018-09-13 |
BR112019018015A2 (en) | 2020-04-28 |
US10990716B2 (en) | 2021-04-27 |
EP3593130A4 (en) | 2020-12-02 |
EP3593130B1 (en) | 2023-08-02 |
EP3593130A1 (en) | 2020-01-15 |
ZA201906280B (en) | 2021-02-24 |
AR122765A2 (en) | 2022-10-05 |
PL3593130T3 (en) | 2024-02-05 |
US10963606B2 (en) | 2021-03-30 |
US10509872B2 (en) | 2019-12-17 |
BR112019018057A2 (en) | 2020-03-31 |
US20200184128A1 (en) | 2020-06-11 |
CA3054065C (en) | 2023-03-07 |
BR122021014810B1 (en) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963606B2 (en) | Location selection for treatment sampling | |
CA3002007C (en) | A method for recommending seeding rate for corn seed using seed type and sowing row width | |
BR112020010226B1 (en) | COMPUTER SYSTEM AND DIGITAL MODELING METHOD OF DISEASES IN CROPS IN AGRONOMIC FIELDS | |
BR112021007121A2 (en) | use of machine learning-based seed crop moisture predictions to improve a computer-assisted farm farming operation | |
BR112020009202A2 (en) | selection of hybrid seeds and optimization of seeds portfolio by field | |
BR112020022324A2 (en) | digital visualization of seasonal agricultural fertility prescriptions updated periodically | |
BR112021007321A2 (en) | detection of plant disease infection by sorting plant photos | |
BR112020022715A2 (en) | analysis and presentation of agricultural data | |
BR112019015401A2 (en) | PLANTATION YIELD ESTIMATE USING AGRONOMIC NEURAL NETWORK | |
BR112019003795B1 (en) | METHOD FOR USE IN SCHEDULE OF FERTILIZER APPLICATIONS IN AGRICULTURAL FIELDS, DATA PROCESSING SYSTEM AND NON-TRANSITORY DATA STORAGE MEDIA | |
BR112019000719B1 (en) | METHOD FOR GENERATING PIXEL MAPS FROM NON-IMAGE DATA AND DIFFERENCE METRICS FOR PIXEL MAPS | |
BR112018011240B1 (en) | Data processing methods and systems for predicting field-level crop yields during a growing season | |
BR112017026437B1 (en) | COMPUTER SYSTEM AND COMPUTER DEPLOYED METHOD FOR MONITORING ONE OR MORE FIELDS OPERATIONS | |
BR112021001667A2 (en) | automatic yield forecast and sowing rate recommendation based on weather data | |
BR112020025328A2 (en) | DIRECTION OF IDEAL OPPORTUNITY FOR LOCATION AND PORTFOLIO | |
BR112020009205A2 (en) | selection of hybrid seeds and optimization of seeds portfolio by field | |
BR112021009316A2 (en) | image-based irrigation recommendations | |
BR112021004345A2 (en) | risk-adjusted hybrid seed selection and field crop yield optimization | |
BR112018070806B1 (en) | METHOD AND DATA PROCESSING SYSTEM FOR ESTIMATING RAINFALL ADJUSTMENT VALUES | |
BR112021006110A2 (en) | systems and methods for identifying and using test sites in agricultural fields | |
BR112021002525A2 (en) | enhancement of digital nutrient models using spatially distributed values unique to an agronomic field | |
BR112021010115A2 (en) | Using spatial statistical models to implement agronomic trials | |
BR112020010224A2 (en) | calculation of crop damage risk factor for crop in agronomic field | |
BR112020010224B1 (en) | SYSTEM AND METHOD FOR DETERMINING A RISK OF DAMAGE TO A CROP | |
BR112018071870B1 (en) | DATA PROCESSING METHOD AND SYSTEM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 06/03/2018, OBSERVADAS AS CONDICOES LEGAIS. |
|
B25D | Requested change of name of applicant approved |
Owner name: CLIMATE LLC (US) |
|
B25G | Requested change of headquarter approved |
Owner name: CLIMATE LLC (US) |